Download Identifier and Classifier of insects in field crops

Identificador y clasificador de insectos en campos de cultivo.
Identifier and classifier of insects in field crops.
María Isabel Marín-Henao
Jeyson Javier Borrero-Domínguez
Universidad Piloto de Colombia
Semillero de Agricultura de Precisión
Ingeniería Mecatrónica
Bogotá, Colombia
[email protected]
Universidad Piloto de Colombia
Semillero de Agricultura de Precisión
Ingeniería Mecatrónica
Bogotá, Colombia
[email protected]
MSc. Ing. Marco Antonio Jinete-Gómez
Universidad Piloto de Colombia
Ingeniería Mecatrónica
Bogotá, Colombia
[email protected]
Iván Camilo González-Alvarado
Universidad Piloto de Colombia
Ingeniería Mecatrónica
Bogotá, Colombia
Ivan-gonzalez1 @upc.edu.co
PhDc. MSc. Ing. Jennifer Paola Corredor-Gómez
Universidad Piloto de Colombia
Semillero de Agricultura de Precisión
Ingeniería Mecatrónica
Bogotá, Colombia
[email protected]
Resumen— Los cultivos agrícolas requieren de diversos
cuidados para que puedan aportar una gran cosecha al
final de su ciclo. Un factor importante a tener en cuenta es
el manejo de plagas, puesto que diferentes insectos afectan
el debido desarrollo que debe tener la planta a lo largo de
su ciclo productivo, por tal razón, en la agricultura
tradicional se ha optado por el uso de pesticidas. Con el fin
de disminuir el uso de los mismos y de tener un mejor
manejo con respecto a las plagas, se propone un sistema
automático que pueda reconocer a seis diferentes especies
de insectos, mediante sus sonidos capturados en campo y
convertirlos en audio digital. La primera etapa consta de
la adquisición de la base de datos. Para el desarrollo del
sistema de reconocimiento, primero se realiza la
transformada rápida de Fourier y después de esto se aplica
un filtro pasa bandas sobre todos los datos, con el fin de
obtener las frecuencias más representativas de cada
insecto. Finalmente se realiza una red neuronal con diez
neuronas en su capa oculta, la cual analiza patrones
especiales de cada insecto para poder reconocerlo. Los
resultados muestran un margen de error del 1%, lo cual
muestra un futuro exitoso que despliega infinidad de
sistemas de monitoreo ambientales basado en las ondas
sonoras de los insectos.
Palabras claves— Agricultura de precisión; Frecuencia;
Redes neuronales; Procesamiento de señales; Identificación
de plagas.
propose an automatic system that can recognize to six
different kind of insects, through their sounds taken in the
field and then convert that sounds into digital audio. The
first step is the database acquisition. For the development
of the recognize system, first we have to do the Fast
Fourier Transform and then we have to apply a bandpass
filter over all the data, with the objective of obtain the
frequencies more representatives of each insect. Finally we
make a neural red with ten neurons in the hidden layer of
the neural red, that neural red analyze special patterns of
each insect for make the recognition. The results show us a
1% error, a successful future that displays infinity of
systems of environment monitoring based in the sound
waves of the insects.
Abstract— All crops need different cares for make a big
harvest for the final of his cycle. A really important factor
for have into account is the plagues control, because
different insects affect the correct development that a
plant has to have in all her productive cycle, because of
this reason, in the traditional agriculture the use
pesticides. With the objective of decrease that use of
pesticides and for have a better control of the plagues, we
Cuándo se habla de agricultura de precisión, se busca
implementar dispositivos innovadores desde la parte
ingenieril, los cuales sumados con las buenas prácticas
agrícolas colaboran mitigando el impacto de los factores
anteriormente nombrados que no permiten el avance del
campo, y que dificultan las labores diarias. En este caso, se
busca enfocar la agricultura de precisión hacia la problemática
de control plagas en los diferentes cultivos del país. El
Keywords— Precision Farming; Frequency; Neuronal
Networks; Digital Signal Processors; Pest Control.
I. INTRODUCCIÓN
Día a día en el campo se presentan diferentes adversidades
como lo son sequías, inviernos muy duros o heladas, plagas y
tierras infértiles, las cuales interrumpen el debido proceso de
siembra, manutención y cosecha de los cultivos. Los
campesinos por medio de pesticidas, abonos, riegos y otras
técnicas agrícolas atacan dichos factores, los cuales hoy en día
se han venido perfeccionando e implementando cada vez
mejor para ser más eficaces en el campo. [1]
objetivo es minimizar el uso de pesticidas, los cuales acarrean
varias consecuencias tanto para el cultivo como para el
campesino. Algunas de estas consecuencias son: enfermedades
en los campesinos que aplican los pesticidas, sequía y erosión
del suelo. Adicionalmente los químicos filtrados por el suelo
cuales pueden llegar al agua que se consume por el hombre y
también pueden llegar a afectar los microorganismos
beneficiosos para las plantas [2].
de las principales características que diferencian a una especie
de la otra, son el medio por el cual producen sus sonidos
característicos, es decir, el órgano que utilizan para dicha
acción, y la frecuencia con la que los insectos emiten dichos
sonidos.

Cada insecto emite sonidos diferentes los cuáles los
identifican y les permiten la comunicación con los demás
insectos y con el entorno que los rodea. Estos sonidos se
diferencian el uno con el otro por las diferentes frecuencias a
las que son emitidas, lo cual es un aspecto que facilita el
análisis de dichas señales y posteriormente su debido
procesamiento. Por medio de técnicas computacionales, se
desarrolló un sistema que es capaz de reconocer 6 diferentes
tipos de insectos según el sonido que emitan. Los insectos que
se clasificaron son: mosca, abeja, saltamontes, grillo, zancudo
y cigarra.
II. MARCO TEÓRICO
a.) Definición de Bioacústica:
La Bioacústica es el estudio de los sonidos emitidos por los
diversos animales que existen en nuestro planeta, por supuesto
esto abarca desde insectos hasta los más grandes mamíferos
que existen; la Bioacústica busca estudiar tanto el sonido
emitido por los animales como el modo en que ellos se
expresan e interactúan con su entorno. También estudia los
órganos los cuales son los encargados de permitir que el
sonido característico sea realizado, sin embargo, en este caso
la Bioacústica nos permitirá obtener una serie de sonidos los
cuales por medio de una base de datos podrán ser usados para
la identificación de varios tipos de insectos, ya que cada uno
de ellos tiene diferencias en cuanto a las frecuencias que
emiten con sus sonidos característicos [3].
b.) Espectro audible del ser humano:
Es también llamado el campo tonal, y es aquel grupo de
frecuencias que pueden ser percibidas por el oído humano,
este espectro varía según cada persona y se altera con la edad.
Sin embargo, hablando en el caso de un oído joven y sano, el
espectro audible oscila entre los 20 Hz, la cual es la frecuencia
más grave percibida y 20,000 Hz que es la frecuencia más
aguda que percibe.
Todas aquellas frecuencias que están por debajo de la
frecuencia más grave para el oído humano (20 Hz), es
considerado como infrasonido. Del mismo modo todas
aquellas frecuencias que están por encima de la frecuencia
aguda permisible para el oído humano (20,000 Hz), es
definido como ultrasonido. [4]
c.) Características de los sonidos de los insectos:
Cada insecto emite sonidos y tonos que los diferencian el uno
del otro y les permiten relacionarse e interactuar tanto como
con insectos de su misma especie como con su entorno. Dos
Mosquito: El mosquito emite su sonido o zumbido
característico, el cual es producido por sus alas en el
momento en que este está volando e interactuando
con su entorno, el mosquito al volar emite una
frecuencia de sonido de 17Khz, es decir, 17,000
vibraciones por segundo. [5]
Ilustración 1: Mosquito
Fuente: http://www.fumigacionescastillo.com/mosquitos.php

Saltamontes: Son insectos estridulantes, los cuales
producen sus sonidos por el frotamiento de una parte
del cuerpo contra otra, es igual al método utilizado
por los grillos; Los saltamontes emiten sus sonidos en
una frecuencia que oscila entre 5Khz y 30Khz. [6]
Ilustración 2: Saltamontes
Fuente: http://carpfishingguarena.blogspot.com/2015/08/elsaltamontes.html

Mosca verde o azul (Lucilia Caesar): La mosca
verde o azul es un díptero de la familia de los
califóridos, con el tórax y el abdomen de color verde
o azul metálico brillante. Es una de las especies más
grandes y en la fase de adulto se alimenta de néctar
de flores y de sustancias líquidas de excrementos. [7]
La mosca verde o azul, mueve sus alas a una
frecuencia de 200 Hz, es decir, sus músculos de vuelo
se contraen y relajan 200 veces por segundo. [8]
Fuente: http://www.rtve.es/noticias/20130507/invasionmillones-cigarras-impedira-dormir-ciudadanos-del-esteee-uu/657760.shtml

Ilustración 3: Mosca
Fuente: http://www.batanga.com/curiosidades

Grillo: Los grillos al igual que los saltamontes,
emiten sus sonidos por medio del frotamiento, en este
caso de sus alas; Sus sonidos son producidos para
cortejar a las hembras y pueden modular sus tonos
emitido dependiendo de factores como la
temperatura, o simplemente para parecer más
atractivos a las hembras. Sus emisiones de sonidos
oscilan entre los 2.3Khz y los 3.6 Khz. [9]
Abejas: Estos insectos voladores, emiten diferentes
gamas de frecuencias de acuerdo a la cantidad de
actividades que realicen dentro o fuera de su
colmena. El primer rango es entre 70Hz y 160 Hz,
que ocurre durante la ventilación de la colmena; el
segundo rango oscila entre los 200 Hz y los 400 Hz,
los cuales están asociados a el trabajo de las abejas
dentro de la colmena; y el tercer grupo oscila entre
los 400 Hz y los 550 Hz, en donde las abejas están
saliendo del enjambre o movilizándose. [11]
Ilustración 6: Abejas
Fuente: http://nationalgeographic.es/animales/insectos/abeja
Ilustración 4: Grillo
Fuente: http://www.reiav.com.mx/grillos/

Cigarra: En esta especie de insecto, al igual que en
los grillos o los saltamontes, los que emiten los
sonios son los machos, con el mismo fin que emiten
los sonidos las otras dos especies; Sus sonidos son
emitidos a frecuencias hasta de 4.3 Khz. [10]
d.) Filtro Pasa Banda:
Los filtros IIR (Infinite Impulse Response), también conocidos
como Sistemas Auto-regresivos (Auto-Regresive {AR}), son
llamados de respuesta infinita, porque el proceso de filtrado se
realiza por medio de la evaluación de la ecuación de
diferencias que regulan el sistema. Como la ecuación de
diferencias depende de las salidas anteriores del filtro, existe
una dependencia de los infinitos estados anteriores de la
variable de salida a la variable de salida actual, por tal razón
son llamados de Respuesta al Impulso Infinita. [12]
e.) Transformada de Fourier:
La FFT (Fast Fourier Transform), es una transformación
matemática comúnmente usada para transformar señales entre
el domino del tiempo y el dominio de la frecuencia. Es
reversible, siendo capaz de transformarse en cualquiera de los
dominios al otro. Básicamente es el espectro de frecuencia de
una función.
En un sonido continuo, la transformada de Fourier se puede
simplificar para el cálculo de un conjunto discreto de
amplitudes complejas, el cual es llamado coeficientes de las
series de Fourier, dichas series representan el espectro de
frecuencia de señal del dominio-tiempo original.
Sea una función Lebesgue integrable:
Ilustración 5: Cigarra
( ) (EC.1)
La transformada de Fourier de es la función
{ }
̂( )
∫
( )
(
)
 Inicialización (net = init(net)):
Por medio de inicialización, se llama una red neuronal con los
valores y vías actualizadas dependiendo de las funciones de
inicialización que se hayan establecido.

f.) Clasificador Red Neuronal en Matlab:
En esta ocasión, se ha utilizado un Toolbox de Matlab el cual
posee diferentes estructuras de redes neuronales como lo son:
perceptron, backpropagation, Som y muchas otras.
Matlab utiliza una estructura única para las redes neuronales la
cual habilita el acceso a todas las propiedades de una red
neuronal con el comando "nnstart", utilizando esta propiedad
se puede modificar las entradas, capas, conexiones y muchas
otras cosas que nos permiten hacer cada vez más robusto
nuestro sistema. Una vez la red neuronal está debidamente
configurada, creada y guardada según las necesidades del
proyecto, se deben usar las funciones de manipulación de las
redes neuronales como lo son el entrenamiento, la
inicialización "(sim(net))" y demás funciones disponibles.
net = network;
Ejecutando el comando anterior con el contenido de la
variable myNetwork se visualizará la estructura mencionada, la
cual se puede dividir en cinco secciones:
1. Arquitectura:
Establece las características básicas de la red neuronal,
como lo son el número de entradas, capas, conexiones de vías
y el número de salidas o resultados que se esperan.
2. Subobjetos:
Permite la configuración de las propiedades de los
distintos componentes que forman la red (capas, entradas,
salidas, números de neuronas).
Entrenamiento ([net, tr, Y, E, Pf, Af] = train(net, P,
T, Pi, Ai, VV, TV);):
Realiza el entrenamiento de la red neuronal, modificando los
diferentes valores entre las diferentes capas y neuronas de la
red neuronal. Para poder entrenar la red, se deben indicar unos
patrones de entrada (P, una matriz de dimensiones XxY siendo
X la suma de los tamaños de las capas de entrada, y Y el
número de patrones que se desean aplicar en dicho
entrenamiento) [13].
III. MATERIALES Y MÉTODOS
Para la realización de este proyecto se requirió como primera
medida adquirir los sonidos de los insectos en campo, lo cual
se llevó a cabo durante varias salidas en sitios como lo son
Turmequé, Boyacá y La Mesa, Cundinamarca. El
procedimiento para la obtención de dichos sonidos fue recoger
los insectos anteriormente nombrados y esperar a que cada
uno de ellos generara sus sonidos representativos y
posteriormente grabarlos. Al recolectar una cantidad de datos
lo suficientemente amplia, se prosigue a la liberación de los
insectos en su hábitat natural. Paso seguido, se procede a subir
las señales al computador en formato (.WAV), por medio del
puerto USB.
Se obtuvieron 50 muestras por insecto, las cuales tenían
duraciones de diferentes tiempos todos oscilando entre 1 y 3.5
segundos. En total se obtuvieron 300 muestras, las cuáles
fueron cortadas todas a 1 segundo para así poder tener señales
del mismo tamaño y evitar futuros inconvenientes.
3. Funciones:
Son las funciones principales de la red neuronal, las
cuales son útiles para ejecutar operaciones de inicialización y
entrenamiento.
4. Parámetros:
Configuración de los diferentes aspectos referentes a las
funciones del bloque de funciones.
5. Valores:
Define las matrices con los valores de entrada, conexiones
entre capas y vías.
Las siguientes funciones nos permitirán el manejo de la red
neuronal anteriormente creada:
Figura1. Diagrama del sistema implementado.
Fuente: Autor
Figura 2. Comparación entre la señal filtrada y la
transformada de Fourier del Mosquito.
Fuente: Autor
Etapa de alistamiento de datos para su posterior análisis:
Con las operaciones previamente realizadas, se prosigue a
diseñar dos matrices las cuales serán la base para el proceso de
clasificación de los insectos. La primera matriz está
conformada por 10 grabaciones de cada insecto previamente
procesadas, y la segunda matriz, tiene las diferentes etiquetas
que diferenciarán y clasificarán a cada uno de los insectos de
la siguiente forma:
Figura2. Diagrama de la obtención de la base de datos.
Fuente: Autor
Etapa de obtención y procesamiento de señales:
Las señales obtenidas tienen diversas cosas que dificultan su
procesamiento para el posterior reconocimiento, como lo son
el ruido del ambiente, el viento y muchos otros factores los
cuales tuvieron que ser solucionados.
Dato
1-10
11-20
21-30
31-40
41-50
51-60
Mosquito
1
0
0
0
0
0
Saltamontes
0
1
0
0
0
0
Mosca
0
0
1
0
0
0
Grillo
0
0
0
1
0
0
Cigarra
0
0
0
0
1
0
Abeja
0
0
0
0
0
1
Tabla 1. Matriz de etiquetas para clasificación de insectos
Fuente: Autor.
Etapa entrenamiento de la red neuronal:
Figura1. Señal original de el Mosquito.
Fuente: Autor
A las señales de los insectos se les aplicó la transformada de
Fourier, para posteriormente emplear un filtro pasa bandas, el
cual se implementa de acuerdo a unos rangos establecidos
sobre la frecuencia de los insectos obtenido de la literatura y
de diversas consultas.
El clasificador de la red neuronal ha sido implementado con
10 neuronas en su capa oculta y 6 neuronas en la capa de
salida. La red es programada de tal forma en que su entrada de
datos es igual a 32,769 y su salida son 6 datos, los cuales son
las 6 diferentes etiquetas vistas en la matriz anterior. La red
neuronal fue entrenada para tomar los picos característicos de
cada una de las grabaciones de los insectos y al recibir una
grabación con una frecuencia definida, la red neuronal
compara dicha grabación con las que fueron introducidas en la
primera matriz. Así se obtienen 6 resultados los cuales son
comparados entre sí mismos, el que obtenga un mayor
porcentaje de acierto será el insecto que se está escuchando a
la entrada de la red neuronal.
VI. CONCLUSIONES
Figura3.Red Neuronal
Fuente: Autor
IV. ANÁLISIS DE LOS RESULTADOS
A lo largo del proyecto se realizaron 4 redes neuronales, cada
una con diferente cantidad de neuronas en su capa oculta. Se
hicieron una serie de pruebas y muestreos, y se ha optado por
utilizar la red neuronal con 10 neuronas en su capa oculta,
puesto que es la red que menos error obtuvo a la hora de hacer
la identificación de los insectos.
A continuación se presenta una gráfica comparativa, de los
diferentes porcentajes de error obtenidos a la hora de realizar
las pruebas en las 4 redes neuronales propuestas:

Se logró diseñar y entrenar diferentes redes
neuronales con Matlab para que identificara los
diferentes insectos.

La red neuronal de 10 neuronas en su última capa
presenta un bajo porcentaje de error, el cual es del
1% en un ambiente controlado, al encontrar de que
insecto se trata.

Se lograron identificar los 6 tipos diferentes de
insectos propuestos al inicio del proyecto, en un
ambiente controlado.

El sistema desarrollado puede implementarse en un
dispositivo que monitoree y cense insectos.

Falta robustecer un poco más el programa con el fin
de que no se confunda al no estar en un ambiente
controlado, sino que sea asertivo sin importar su
entorno.
VII. REFERENCIAS
Figura 3. Gráfica de número de neuronas Vs %Erro.
Fuente: Autor
Sin embargo, se debe tener en cuenta que las pruebas fueron
realizadas en un ambiente controlado, sin mucho ruido que
afectara las señales captadas por el sistema. Por tanto, en un
amiente real el porcentaje de error aumentará de manera
significativa, debido a las perturbaciones audibles que
detectará el sistema.
V. APLICACIÓN TECNOLÓGICA
El proyecto ha sido diseñado con el fin tecnológico de apoyar
el agro desde la parte de la mecatrónica y de las TICS, la idea
pretende hacer el uso de herramientas digitales y de
programación, pero con el énfasis en el campo y en la
agricultura. Se busca mitigar el impacto que tienen los
diferentes insectos sobre las cosechas y poder observar que
insecto se encuentra en algún lugar determinado y como
hacerle frente al mismo. Por otra parte, el proyecto busca ser
la base de un dispositivo, que permita realizar el censo de
insectos en algún lugar en específico, con el objetivo de
conocer en dónde se ubica cierta población de algún insecto.
[1] Instituto Inernacional de Agricultura Tropical, Manual de
Prácticas Integradas de Manejo de Conservación de
suelo, Roma: FAO, 2000.
[2] N. H. Cortez, «Universidad Veracruzana,» Noviembre
2011. [En línea]. Available:
http://cdigital.uv.mx/bitstream/123456789/30882/1/Corte
sNicolas.pdf. [Último acceso: Agosto 2016].
[3] Universitat Politécnica de Catalunya, «Laboratori D'
Aplicacions Bioaqústiques,» [En línea]. Available:
http://www.lab.upc.edu/index2.php?web=presentacion&l
ang=es. [Último acceso: Agosto 2016].
[4] Cloclea Organización, «Coclea,» [En línea]. Available:
http://www.cochlea.org/es/sonidos/las-frecuenciaspercibidas-por-los-seres-humanos-y-por-algunasespecies-animales. [Último acceso: Agosto 2016].
[5] B. Mauk, «Live Science,» 01 Febrero 2013. [En línea].
Available: http://www.livescience.com/32466-why-domosquitoes-buzz-in-our-ears.html. [Último acceso:
Agosto 2016].
[6] Europa Press, «Ciencia Plus,» Junio 06 2014. [En línea].
Available: http://www.europapress.es/ciencia/habitat-yclima/noticia-saltamontes-emite-llamada-amorultrasonica-mas-alta-reino-animal20140606130549.html. [Último acceso: Septiembre
2016].
[7] Rentokil , [En línea]. Available:
http://www.rentokil.com.co/moscas/tipos-de-moscas/.
[Último acceso: Agosto 2016].
[8] Servicio de Información Comunitario sobre Investigación
y Desarrollo, «CORDIS,» 12 Diciembre 2011. [En línea].
Available:
http://cordis.europa.eu/news/rcn/34128_es.html. [Último
acceso: Agoto 2016].
[9] T. Guerrero, «El Mundo,» 30 Abril 2012. [En línea].
Available:
http://www.elmundo.es/elmundo/2012/04/30/ciencia/133
5780553.html. [Último acceso: Agosto 2016].
[10] H. C. Bennet-Clark, «El canto de la cigarra,»
Investigación y Ciencia, nº 262, 1998.
[11] Apivox Auditor, «Beekeepers Acoustic Assistant,» [En
línea]. Available:
http://www.apivoxauditor.com/literatura-esp1051104810581045105610401058105910561040.html.
[Último acceso: Agosto 2016].
[12] J. C. Peña, «Universidad de las palmas de Gran Canaria,»
[En línea]. Available:
http://www2.ulpgc.es/hege/almacen/download/29/29861/
filtros.pdf. [Último acceso: Agosto 2016].
[13] F. Villada y D. Cadavid, «Diagnostico de Fallas en
Motores de Inducción Mediante la Aplicación de Redes
Neuronales Artificiales,» Información Tecnológica, vol.
18, nº 2-2007, pp. 105-112, 2007.
[14] Exis Agricultura de Precisión, «Exsis Agricultura de
Precisión,» [En línea]. Available:
http://agriculturadeprecision.co/agricultura-de-precision/.
[Último acceso: 28 Marzo 2016].
[15] A. Corró Morales, «Revistacts,» Junio 2007. [En línea].
Available:
http://www.revistacts.net/files/Portafolio/tesis_molas.pdf.
[Último acceso: 28 Marzo 2016].
[16] Laboratorio de análisis de Fourier aplicado, «Universidad
de Jaen,» [En línea]. Available:
http://www4.ujaen.es/~jmalmira/transformada_fourier_al
mira.pdf. [Último acceso: Agosto 2016].