Ir al menú de navegación principal Ir al contenido principal Ir al pie de página del sitio
aa

Artículos de Investigación

Vol. 7 Núm. 2 (2025): REBI, Revista Boliviana de Ingeniería

Aplicación móvil agrícola con redes neuronales convolucionales para control de producción de hongos comestibles

Publicado
2025-07-04

La producción de hongos comestibles es un sector agrícola en crecimiento que requiere control preciso de variables ambientales. Este estudio tuvo por objetivo desarrollar una aplicación móvil agrícola integrada con redes neuronales convolucionales para mejorar el control de información en la producción de hongos comestibles en NEOS, Bolivia. Se aplicó un enfoque mixto con metodología Scrum para el desarrollo del sistema BPM, implementando sensores IoT y algoritmos CNN. La muestra incluyó 50 productores (10 de NEOS y 40 de Chuquisaca). Los resultados mostraron una mejora del 25% en la detección temprana de contaminaciones y un incremento del 18% en la eficiencia de los procesos de colonización y fructificación. La aplicación permitió monitoreo remoto en tiempo real y generación automática de reportes, contribuyendo a la sostenibilidad y eficiencia productiva. Se concluye que la integración de tecnologías emergentes mejora sustancialmente la gestión en la producción de hongos comestibles.

Número:
Vol. 7 Núm. 2 (2025): REBI, Revista Boliviana de Ingeniería
Sección:
Artículos de Investigación

Citas

  1. Badoni, A., & Siddiqui, M. H. (2025a). Nutritional, medicinal, and economic potential of edible mushrooms: A global perspective. Journal of Agricultural Science, 15(2), 123-135. https://doi.org/10.3390/plants14152364
  2. Badoni, A., y Siddiqui, M. H. (2025b). Metamorphosis of mushroom production from tradition to automation. Discover Applied Sciences, 7(974). https://doi.org/10.1007/s42452-025-07517-w
  3. Balan, V., Zhu, W., Krishnamoorthy, H., Benhaddou, D., Mowrer, J., Husain, H., & Eskandari, A. (2022). Challenges and opportunities in producing high-quality edible mushrooms from lignocellulosic biomass in a small scale. Applied Microbiology and Biotechnology, 106(4), 1355-1374. https://doi.org/10.1007/s00253-021-11749-2
  4. Bwambale, E., Abagale, F. K., & Anornu, G. K. (2022). Smart irrigation monitoring and control strategies for improving water use efficiency in precision agriculture: A review. Agricultural Water Management, 260, 107324. https://doi.org/10.1016/j.agwat.2021.107324
  5. Elewi, A., Al-Jubouri, M., y Hassan, R. (2024). Design and implementation of a cost-aware and smart oyster mushroom farming system based on IoT and machine learning. Smart Agricultural Technology, 8, 100443. https://doi.org/10.1016/j.atech.2024.100443
  6. Getahun, S., Kefale, H., & Gelaye, Y. (2024). Application of precision agriculture technologies for sustainable crop production and environmental sustainability: A systematic review. The Scientific World Journal, 2024(1), 2126734. https://doi.org/10.1155/2024/2126734
  7. Gupta, A., & Singh, A. (2022). An intelligent healthcare cyber physical framework for encephalitis diagnosis based on information fusion and soft-computing techniques. New Generation Computing, 40(4), 1093-1123. https://doi.org/10.1007/s00354-022-00175-1
  8. Kewessa, G., Dejene, T., Alem, D., Tolera, M., & Martín-Pinto, P. (2022). Forest type and site conditions influence the diversity and biomass of edible macrofungal species in Ethiopia. Journal of Fungi, 8(10), 1023. https://doi.org/10.3390/jof8101023
  9. Mandal, S., Yadav, A., Panme, F. A., Devi, K., y Kumar, S. (2024). Adaption of smart applications in agriculture to enhance production. Smart Agricultural Technology, 7, 100431. https://doi.org/10.1016/j.atech.2024.100431
  10. Mansoor, S., Rahman, A., y Li, J. (2025). Integration of smart sensors and IoT in precision agriculture. Frontiers in Plant Science, 16, 1587869. https://doi.org/10.3389/fpls.2025.1587869
  11. Mendoza-Bernal, J., González-Vidal, A., & Skarmeta, A. F. (2024). A convolutional neural network approach for image-based anomaly detection in smart agriculture. Expert Systems with Applications, 247, 123210. https://doi.org/10.1016/j.eswa.2024.123210
  12. Miller, T., Mikiciuk, G., Durlik, I., Mikiciuk, M., Łobodzińska, A., & Śnieg, M. (2025). The IoT and AI in Agriculture: The Time Is Now—A Systematic Review of Smart Sensing Technologies. Sensors (Basel, Switzerland), 25(12), 3583. https://doi.org/10.3390/s25123583
  13. Mowla, M. N., Mowla, N., Shah, A. S., Rabie, K. M., & Shongwe, T. (2023). Internet of Things and wireless sensor networks for smart agriculture applications: A survey. IEEe Access, 11, 145813-145852. https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=10371307
  14. Padhiary, M., Kumar, A., & Sethi, L. N. (2025). Emerging technologies for smart and sustainable precision agriculture. Discover Robotics, 1(1), 6. https://doi.org/10.1007/s44430-025-00006-0
  15. Postolache, S., Sebastião, P., Viegas, V., Postolache, O., & Cercas, F. (2022). IoT-based systems for soil nutrients assessment in horticulture. Sensors, 23(1), 403. https://doi.org/10.3390/s23010403
  16. Quy, V. K., Hau, N. V., Anh, D. V., Quy, N. M., Ban, N. T., Lanza, S., ... & Muzirafuti, A. (2022). IoT-enabled smart agriculture: architecture, applications, and challenges. Applied Sciences, 12(7), 3396. https://doi.org/10.3390/app12073396
  17. Rejeb, A., Keogh, J. G., Zailani, S., Treiblmaier, H., & Rejeb, K. (2020). Blockchain technology in the food industry: A review of potentials, challenges and future research directions. Logistics, 4(4), 27. https://doi.org/10.3390/logistics4040027
  18. Singh, K., Yadav, M., Singh, Y., & Moreira, F. (2025). Techniques in reliability of internet of things (IoT). Procedia Computer Science, 256, 55-62. https://doi.org/10.1016/j.procs.2025.02.095
  19. Sofiev, M., Buters, J., Tummon, F., Fatahi, Y., Sozinova, O., Adams-Groom, B., ... & Clot, B. (2023). Designing an automatic pollen monitoring network for direct usage of observations to reconstruct the concentration fields. Science of the Total Environment, 900, 165800. https://doi.org/10.1016/j.scitotenv.2023.165800
  20. Yang, Z. Y., Xia, W. K., Chu, H. Q., Su, W. H., Wang, R. F., & Wang, H. (2025). A comprehensive review of deep learning applications in cotton industry: From field monitoring to smart processing. Plants, 14(10), 1481. https://doi.org/10.3390/plants14101481