Agricultura de precisión: Diseño e implementación de prototipo de central de monitoreo y control de condiciones ambientales en cultivos de mango

Abstract

La agricultura en Guatemala enfrenta desafíos significativos debido a la limitada implementación de tecnología moderna en el sector. Este proyecto desarrolla una central de monitoreo de precisión diseñada específicamente para plantaciones de mango, integrando sensores ambientales avanzados y un sistema de diagnóstico foliar basado en inteligencia artificial. La solución consta de dos interfaces principales: la primera, dedicada a la recolección de datos ambientales, utiliza un microcontrolador ESP32 que recopila información en tiempo real sobre temperatura, humedad relativa, pH del suelo, luz y humedad ambiental. Este microcontrolador actúa como un servidor web, permitiendo que los agricultores accedan a una interfaz intuitiva desde dispositivos conectados a la misma red local. La segunda interfaz, enfocada en el diagnóstico de enfermedades foliares, utiliza una red neuronal convolucional para analizar imágenes de hojas de mango y detectar la presencia de siete posibles patologías, además de hojas saludables. Este análisis se realiza en el navegador mediante TensorFlow.js, asegurando una integración rápida y accesible. Ambas interfaces están interconectadas, proporcionando una visión integral del estado del cultivo al presentar los datos ambientales junto con el diagnóstico foliar en tiempo real. Esta solución permite a los agricultores tomar decisiones informadas y optimizar el manejo del cultivo al conectar factores críticos del entorno con la salud del follaje. El proyecto demuestra la viabilidad de implementar tecnologías avanzadas en la agricultura local, fo mentando la adopción de prácticas de precisión que mejoran la sostenibilidad, la eficiencia y la productividad en el sector agrícola.

Agriculture in Guatemala faces significant challenges due to the limited adoption of mo dern technology in the sector. This project develops a precision monitoring hub specifically designed for mango plantations, integrating advanced environmental sensors and a foliar diagnostic system powered by artificial intelligence. The solution comprises two main in terfaces: the first focuses on environmental data collection, using an ESP32 microcontroller to gather real-time information on temperature, relative humidity, soil pH, light, and air moisture. The microcontroller acts as a web server, enabling farmers to access an intuitive interface from devices connected to the same local network. The second interface, dedicated to foliar disease diagnosis, employs a convolutional neural network to analyze mango leaf images and identify seven potential diseases, along with healthy leaves. This analysis is conducted in the browser using TensorFlow.js, ensuring quick and accessible integration. Both interfaces are interconnected, offering a comprehensive view of the crop’s status by presenting environmental data alongside real-time foliar diagnostics. This solution empowers farmers to make informed decisions and optimize crop manage ment by linking critical environmental factors with foliar health. The project demonstrates the feasibility of implementing advanced technologies in local agriculture, promoting the adoption of precision practices that enhance sustainability, efficiency, and productivity in agricultural production.