Machine Vision for the Diagnosis of Coffee Soils: A Systematic Literature Review
DOI:
https://doi.org/10.18779/ingenio.v9i1.1124Keywords:
soil analysis, agricultural management, technological independence, image segmentation, assisted technologyAbstract
En Jilotepec, Veracruz, la producción de café enfrenta desafíos asociados con la degradación del suelo y la baja productividad agrícola. Este trabajo se centra en una Revisión Sistemática de la Literatura (RSL) sobre el uso de visión artificial para el diagnóstico de suelos cafetaleros, con el objetivo de identificar técnicas efectivas que permitan el desarrollo de herramientas tecnológicas aplicables al contexto local. La RSL se realizó bajo un protocolo riguroso que incluyó criterios de inclusión/exclusión, una búsqueda en bases de datos científicas reconocidas y un análisis temático de estudios entre 2019 y 2024. Los resultados resaltan el potencial de la visión artificial en tareas como la segmentación de imágenes, el análisis de textura y la detección de características fisicoquímicas del suelo. Como contribución principal, la revisión identifica tendencias, brechas y oportunidades que apoyan la creación de software de diagnóstico de suelos más rápido, accesible y preciso para los productores de café. Esta investigación sienta las bases para soluciones innovadoras en la agricultura sostenible y digital.
Downloads
References
A. C. Hernández, G. H. Martínez, y R. Manson, “La cafeticultura mexicana: el caso del proyecto biocafé”, en III Congresso Brasileiro de Agroecologia, Florianópolis, Brasil, Oct. 2005. [En línea]. Disponible en: https://acortar.link/Hm4zAz
SEFIPLAN, “Sistema de Información Estadística y Geográfica del Estado de Veracruz de Ignacio de la Llave (SIEGVER)”, Secretaría de Finanzas y Planeación, Jilotepec, Cuadernillos Municipales. Jilotepec, 2024. [En línea]. Disponible en: https://cieg.gobiernodigital.gob.mx/wp-content/uploads/sites/21/2024/11/Jilotepec_CM_2024_Ver.2.pdf
D. Geissert, A. Mólgora-Tapia, S. Negrete-Yankelevich, y R. Hunter Manson, “Efecto del manejo de la cobertura vegetal sobre la erosión hídrica en cafetales de sombra”, AGROCIENCIA, vol. 51, no. 2, pp. 119–133, Mar. 2017, [En línea]. Disponible en: https://www.agrociencia-colpos.org/index.php/agrociencia/article/view/1282
O. Santillán, y M. E. Rentería Rodríguez, “Agricultura de Precisión”, Oficina de Información Científica y Tecnológica para el Congreso de la Unión [INCYTU], Ciudad de México, 15, Abr. 2018. [En línea]. Disponible en: https://www.foroconsultivo.org.mx/INCyTU/index.php/notas/sociedad/94-15-agricultura-de-precision-n-2
J. F. Sotomayor, A. P. Gómez, y A. F. Cela, “Sistema de Visión Artificial para el Análisis de Imágenes de Cultivo basado en Texturas Orientadas”, Rev. Politécnica, vol. 33, no. 1, Jan. 2014, [En línea]. Disponible en: https://goo.su/9575KQ5
P. Srivastava, A. Shukla, y A. Bansal, “A comprehensive review on soil classification using deep learning and computer vision techniques”, Multimed. Tools Appl., vol. 80, no. 10, pp. 14887–14914, Abr. 2021. [En línea]. Disponible en: https://doi.org/10.1007/s11042-021-10544-5
M. Javaid, A. Haleem, I. H. Khan, y R. Suman, “Understanding the potential applications of Artificial Intelligence in Agriculture Sector”, Adv. Agrochem, vol. 2, no. 1, pp. 15–30, Oct. 2022. [En línea]. Disponible en: https://doi.org/10.1016/j.aac.2022.10.001
B. Kitchenham, y S. Charters, “Guidelines for performing Systematic Literature Reviews in Software Engineering”, vol. 2, Jul. 2007, [En línea]. Disponible en: https://www.researchgate.net/publication/302924724
F. A. Diaz-Gonzalez, J. Vuelvas, C. A. Correa, V. E. Vallejo, y D. Patino, “Machine learning and remote sensing techniques applied to estimate soil indicators – Review”, Ecol. Indic., vol. 135, pp. 108517, Dec. 2021. [En línea]. Disponible en: https://doi.org/10.1016/j.ecolind.2021.108517
Z. Zhao, W. Feng, J. Xiao, X. Liu, S. Pan, y Z. Lian g, “Rapid and Accurate Prediction of Soil Texture Using an Image-Based Deep Learning Autoencoder Convolutional Neural Network Random Forest (DLAC-CNN-RF) Algorithm”, MDPI, vol. 12, no. 12, Dec. 2022. [En línea]. Disponible en: https://doi.org/10.3390/agronomy12123063
S. Sys, S. Weißbach, L. Jakob, S. Gerber, y C. Schneider, “CollembolAI, a macrophotography and computer vision workflow to digitize and characterize samples of soil invertebrate communities preserved in fluid”, Methods Ecol. Evol., vol. 13, no. 12, pp. 2729–2742, Oct. 2022. [En línea]. Disponible en: https://doi.org/10.1111/2041-210X.14001
V. G. Dhanya et al., “Deep learning based computer vision approaches for smart agricultural applications”, Artif. Intell. Agric., vol. 6, pp. 211–229, Sep. 2022. [En línea]. Disponible en: https://doi.org/10.1016/j.aiia.2022.09.007
M. Uddin, y Md. R. Hassan, “A novel feature based algorithm for soil type classification”, Complex Intell. Syst., vol. 8, no. 4, pp. 3377–3393, Feb. 2022. [En línea]. Disponible en: https://doi.org/10.1007/s40747-022-00682-0
D. Han, y M. Rodriguez, “Big Data Analytics, Data Science, ML&AI for Connected, Data-driven Precision Agriculture and Smart Farming Systems: Challenges and Future Directions”, en Proceedings of Cyber-Physical Systems and Internet of Things Week 2023, San Antonio TX USA: ACM, May 2023, pp. 378–384. [En línea]. Disponible en: https://doi.org/10.1145/3576914.3588337
R. Sathiya Priya, y U. Rahamathunnisa, “A Novel Clustering Algorithm for Monitoring Paddy Growth Through Satellite Image Processing.”, ACM Trans. Sens. Netw., p. 3579358, May 2023. [En línea]. Disponible en: https://doi.org/10.1145/3579358
P. Sumathi, V. V. Karthikeyan, M. S. Kavitha, y S. Karthik, “Improved Soil Quality Prediction Model Using Deep Learning for Smart Agriculture Systems”, Comput. Syst. Sci. Eng., vol. 45, no. 2, pp. 1545–1559, Nov. 2023. [En línea]. Disponible en: https://doi.org/10.32604/csse.2023.027580
M. Majdalawieh, S. Khan, y Md. T. Islam, “Using Deep Learning Model to Identify Iron Chlorosis in Plants”, IEEE Access, vol. 11, pp. 46949–46955, May 2023. [En línea]. Disponible en: https://doi.org/10.1109/ACCESS.2023.3273607
M. Awais et al., “AI and machine learning for soil analysis: an assessment of sustainable agricultural practices”, Bioresour. Bioprocess., vol. 10, no. 1, p. 90, Dic. 2023. [En línea]. Disponible en: https://doi.org/10.1186/s40643-023-00710-y
M. Kazemi Garajeh, K. Hassangholizadeh, A. R. Bakhshi Lomer, A. Ranjbari, L. Ebadi, y M. Sadeghnejad, “Monitoring the impacts of crop residue cover on agricultural productivity and soil chemical and physical characteristics”, Sci. Rep., vol. 13, no. 1, p. 15054, Sep. 2023. [En línea]. Disponible en: https://doi.org/10.1038/s41598-023-42367-9
J. Ding, R. Chandra, R. Lal, y L. Tassiulas, “Cost-Effective Soil Carbon Sensing with Wi-Fi and Optical Signals”, en Proceedings of the 30th Annual International Conference on Mobile Computing and Networking, Washington D.C. DC USA: ACM, Dic. 2024, pp. 1015–1029. doi: https://doi.org/10.1145/3636534.3690675
B. R. A et al., “Exploratory Study of Soil Parameters to Generate Correlations to Recommend Organic Manure”, en Proceedings of the 2024 Sixteenth International Conference on Contemporary Computing, Noida India: ACM, Aug. 2024, pp. 162–169. [En línea]. Disponible en: https://doi.org/10.1145/3675888.3676046
A. Upadhyay et al., “Deep learning and computer vision in plant disease detection: a comprehensive review of techniques, models, and trends in precision agriculture”, Artif. Intell. Rev., vol. 58, no. 3, pp. 92, Dic. 2024. [En línea]. Disponible en: https://doi.org/10.1007/s10462-024-11100-x
R. A. El Behairy et al., “How Can Soil Quality Be Accurately and Quickly Studied? A Review”, Agronomy, vol. 14, no. 8, pp. 1682, Jul. 2024. [En línea]. Disponible en: https://doi.org/10.3390/agronomy14081682
N. A. Sharma, K. Kumar, R. R. Chand, y M. A. Kabir, “Utilizing Hyperspectral Imaging with Machine Learning Techniques for Soil Analysis”, Feb. 2024. [En línea]. Disponible en: https://doi.org/10.1007/978-3-031-83127-0_5
J. U. M. Akbar, S. F. Kamarulzaman, A. J. M. Muzahid, Md. A. Rahman, y M. Uddin, “A Comprehensive Review on Deep Learning Assisted Computer Vision Techniques for Smart Greenhouse Agriculture”, IEEE Access, vol. 12, pp. 4485–4522, Jan. 2024. [En línea]. Disponible en: https://doi.org/10.1109/ACCESS.2024.3349418
R. Selvanarayanan, S. Rajendran, S. Algburi, O. Ibrahim Khalaf, y H. Hamam, “Empowering coffee farming using counterfactual recommendation based RNN driven IoT integrated soil quality command system”, Sci. Rep., vol. 14, no. 1, p. 6269, Mar. 2024. [En línea]. Disponible en: https://doi.org/10.1038/s41598-024-56954-x
B. Gülmez, “A Comprehensive Review of Convolutional Neural Networks based Disease Detection Strategies in Potato Agriculture”, Potato Res., Aug. 2024. [En línea]. Disponible en: https://doi.org/10.1007/s11540-024-09786-1
M. Islam, S. Bijjahalli, T. Fahey, A. Gardi, R. Sabatini, y D. W. Lamb, “Destructive and non-destructive measurement approaches and the application of AI models in precision agriculture: a review”, Precis. Agric., vol. 25, no. 3, pp. 1127–1180, Feb. 2024. [En línea]. Disponible en: https://doi.org/10.1007/s11119-024-10112-5
J. Logeshwaran et al., “Improving crop production using an agro-deep learning framework in precision agriculture”, BMC Bioinformatics, vol. 25, no. 1, pp. 341, Nov. 2024. [En línea]. Disponible en: https://doi.org/10.1186/s12859-024-05970-9
Md. F. Ul-Islam, A. Chakrabarty, R. Rahman, H. Moon, y Md. J. Piran, “Advancing mango leaf variant identification with a robust multi-layer perceptron model”, Sci. Rep., vol. 14, no. 1, p. 27406, Nov. 2024. [En línea]. Disponible en: https://doi.org/10.1038/s41598-024-74612-0
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Aldrich Arath Irisson Aburto, María Salomé Alejandre Apolinar, Hugo Amores Pérez, Yadeneyro De la Cruz Elizondo
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Licensing Agreement
This journal provides free access to its content through its website following the principle that making research available free of charge to the public supports a larger exchange of global knowledge.
Web content of the journal is distributed under a Attribution-NonCommercial-ShareAlike 4.0 International.
Authors may adopt other non-exclusive license agreements for the distribution of the version of the published work, provided that the initial publication in this journal is indicated. Authors are allowed and recommended to disseminate their work through the internet before and during the submission process, which can produce interesting exchanges and increase citations of the published work.
