Construye la primera biblioteca de código de barras de ADN para 66 especies de insectos fitófagos asociados al cultivo de quinua. Se analizaron un total de 4168 secuencias de la región mitocondrial COI para insectos colectados en los departamentos de Arequipa, Ayacucho, Cajamarca, Junín, y Puno, las cuales se registraron en la base de datos de BOLD. La eficacia de identificación se evaluó mediante tres métodos; Best match (BM), Best close match (BCM) y el criterio de BOLD (CB). Esta biblioteca incluye 22 nuevos registros de insectos fitófagos de la quinua, de entre estos, se tiene al lepidóptero de la familia Noctuidae Helicoverpa armígera, una plaga polífaga de importancia económica a nivel mundial y cuya regulación es catalogada como de suma prioridad por las principales agencias de control de plagas cuarentenarias. El resultado del análisis de los métodos de identificación mostró una tasa de éxito mayor al 99% para identificaciones correctas, porcentaje de éxito que muestra el poder discriminatorio del código de barras de ADN. Respaldado en los resultados de este estudio, la biblioteca de insectos fitófagos asociados a cultivos de quinua puede ser usada como base en la implementación de procedimientos rápidos y precisos para la identificación de insectos plagas de importancia agrícola y económica en este tipo de cultivos utilizando la herramienta del código de barras de ADN. / Tesis

El cedro andino Cedrela angustifolia Sessé & Moc. ex DC (= C. lilloi C. DC.) es un recurso forestal de gran valor económico y se distribuye desde México hasta Argentina, sin embargo, se encuentra en peligro de extinción. Para frenar la reducción de las poblaciones de Cedrela angustifolia se han implementado programas de reforestación en Cusco; no obstante, los plantones de Cedrela son vulnerables a la herbivoría por insectos fitófagos, los que perjudican su crecimiento. Por esta razón, es urgente identificarlos rápidamente para aplicar medidas de control adecuadas. Métodos tradicionales para la identificación taxonómica de estos insectos son basados en la morfología que incluyen disecciones y preparaciones temporales o permanentes de las estructuras diseccionadas, empleando para ello tiempo que muchas veces no se dispone en emergencias fitosanitarias, además muchas especies se describen a partir de un solo sexo, generalmente machos y de estadio adulto, dificultado la identificación de hembras o de estadios inmaduros. Por otro lado, el código de barras de ADN es una herramienta molecular que complementa la identificación taxonómica de organismos mediante un diagnóstico preciso y rápido. Esta tesis tuvo como objetivo aplicar la técnica del código de barras de ADN para identificar los insectos fitófagos asociados a Cedrela angustifolia en los distritos de Marcapata y Camanti, provincia de Quispicanchi, departamento de Cusco. Se emplearon trampas de interceptación de vuelo y búsqueda directa en los plantones para la recolección de insectos fitófagos. Los insectos recolectados se procesaron en el laboratorio según técnicas estándares para su identificación morfológica y para análisis molecular. Se identificaron 102 especímenes mediante morfología, correspondientes a 24 especies de insectos fitófagos de las familias Chrysomelidae (Orden Coleoptera) y Pyralidae (Orden Lepidoptera). El sistema de código de barras de ADN permitió identificar exitosamente 2 de las 24 de especies (8.3%). Se reporta la ocurrencia de una plaga clave: Hypsipyla grandella (Pyralidae) y dos especies de insectos plaga de menor preocupación: Freudeita sp. (Chrysomelidae) e Iphitrea sp. (Chrysomelidae) causantes de daños en los cultivos de Cedrela angustifolia. / Tesis

La horticultura es una actividad que da trabajo a muchos peruanos en distintas zonas del país, sin embargo, gran parte de la producción de hortalizas es dañada por la alta incidencia de plagas de insectos. En la actualidad, un método efectivo para realizar el control de estas plagas es el uso de trampas pegantes, las cuales atraen y atrapan distintos tipos de insectos. Convencionalmente, las trampas pegantes son colocadas de forma que queden distanciadas uniformemente en el campo donde se realiza el cultivo y luego de varios días se realizan observaciones visuales por parte del personal entrenado en reconocimiento de insectos. No obstante, la información recopilada manualmente por el humano puede no ser tan exacta, pues existen diversos factores que pueden influir en la precisión de esta, por ejemplo, la habilidad de cada persona para detectar distintos tipos de insectos y la posible fatiga que puede ser consecuencia de haber realizado un trabajo manual por mucho tiempo y para una muestra grande de insectos. Las soluciones que se encontraron en la revisión sistemática para tratar problemas de detección de insectos fueron algoritmos de segmentación con cambio de espacio de color, lo cual permite remover el fondo de una imagen y centrarse únicamente en el objeto de interés; también, se encontraron estudios que usaron modelos de detección, los cuales hacen uso de aprendizaje profundo con redes neuronales convolucionales para lograr la identificación de los insectos. Esta última técnica ha dado resultados óptimos en distintos problemas visión computacional, por lo que el presente proyecto de investigación propone usar los modelos de detección pre-entrenados Faster R-CNN y YOLOv4 y aplicarles aprendizaje por transferencia para ajustarlos al problema de detección de tres tipos de plagas de insectos: la mosca blanca, la mosca minadora y el pulgón verde del melocotonero en etapa de adulto alado. Para ello, se debe contar con un corpus de imágenes de trampas pegantes con insectos plaga y, debido a la limitada disponibilidad de estas, se planteó construir un generador de imágenes realistas de trampas pegantes con insectos, el cual tiene en consideración factores realistas como la iluminación y el nivel de ruido en las imágenes, además, se usaron técnicas de segmentación y aumento de imágenes de modo que el corpus obtenido sea el adecuado para la fase de entrenamiento. Finalmente, se midió la métrica mAP de ambos modelos para los tres tipos de insectos. El modelo Faster R-CNN obtuvo 94.06% y el modelo YOLOv4, 95.82%, donde se concluye que el desempeño de ambos detectores es aceptable.