1
Revista Agro.
ISSN 2215-6992
Vol 3, N° 1, 1-24. Enero-Diciembre, 2025.
Andrés Antonio Calvo Vargas, Camilo José González Fuentes, Gorki Iván
Romero Valerio, Sergio Alonso Romero Valverde, Fulvio Lizano Madriz
IoT en Captura y Análisis de Sonido en Agroindustria: Un
Estudio de Literatura
IoT in Sound Capture and Analysis in Agroindustry:
A Literature Review
IoT na Captura e Análise de Som na Agroindústria:
Um Estudo de Literatura
Andrés Antonio Calvo Vargas
Universidad Nacional, Heredia, Costa Rica
ROR:
https://ror.org/01t466c14
Contacto: andres.calvo.vargas@est.una.ac.cr
ORCID: https://orcid.org/0009-0000-3615-0615
Camilo José González Fuentes
Universidad Nacional, Heredia, Costa Rica
ROR:
https://ror.org/01t466c14
Contacto: camilo.gonzalez.fuentes@est.una.ac.cr
ORCID: https://orcid.org/0009-0009-7876-4602
Gorki Iván Romero Valerio
Universidad Nacional, Heredia, Costa Rica
ROR:
https://ror.org/01t466c14
Contacto:gorki.romero.valerio@est.una.ac.cr
ORCID:https://orcid.org/0009-0001-0550-9602
Sergio Alonso Romero Valverde
Universidad Nacional, Heredia, Costa Rica
ROR:
https://ror.org/01t466c14
Contacto:sergio.romero.valverde@est.una.ac.cr
ORCID:https://orcid.org/0009-0005-7036-5536
2
Fulvio Lizano Madriz
Universidad Nacional, Heredia, Costa Rica
ROR:
https://ror.org/01t466c14
Contacto:flizano@una.cr
ORCID:https://orcid.org/0000-0001-8789-2985
Recibido 23-09-2024
Revisado 06-02-2025
Aceptado 10-09-2025
Resumen
Este artículo tiene como objetivo revisar y analizar la literatura sobre la
aplicación del Internet de las Cosas (IoT) en la captura y análisis de
sonido en la agroindustria, un área emergente con gran potencial para
mejorar la eficiencia y sostenibilidad agrícola. El estudio busca identificar
el estado actual de la investigación, las principales tendencias y las áreas
de oportunidad en este campo. Para llevar a cabo este análisis, se realizó
una revisión sistemática de la literatura utilizando Google Académico
como base de datos académica, enfocándose en publicaciones que
abordaran específicamente la integración del IoT en la monitorización
acústica. El proceso incluyó la recolección y análisis de datos
bibliométricos, así como la evaluación de las características de las
investigaciones realizadas hasta la fecha.
Los resultados destacan que la mayoría de los estudios son recientes,
con un enfoque particular en aplicaciones como la detección de plagas y
la monitorización del estado de los cultivos mediante el análisis de
sonido. A pesar del interés creciente, se identifican importantes vacíos
en áreas como el uso de inteligencia artificial y aprendizaje automático
en la interpretación de los datos acústicos recogidos. Las conclusiones
del estudio subrayan la necesidad de continuar con el desarrollo de
sistemas IoT más avanzados, especialmente en campos como la
apicultura y la ecología, donde la aplicación del análisis de sonido puede
tener un impacto significativo. Este trabajo proporciona una base sólida
para futuras investigaciones y el desarrollo de tecnologías innovadoras
en la agroindustria.
Palabras clave: Internet de las Cosas (IoT), análisis de sonido en
agroindustria, monitoreo acústico agrícola, detección de plagas
mediante IoT, agricultura inteligente.
Abstract
This article aims to review and analyze the literature on the application
of the Internet of Things (IoT) in sound capture and analysis in
agroindustry, an emerging field with great potential to improve
agricultural efficiency and sustainability. The study seeks to identify the
current state of research, key trends, and areas of opportunity in this
3
field. A systematic review of the literature was conducted using Google
Scholar as an academic database, focusing on publications specifically
addressing IoT integration in acoustic monitoring. The process included
data collection and bibliometric analysis, as well as an evaluation of the
characteristics of the research carried out to date. The results highlight
that most studies are recent, with a particular focus on applications such
as pest detection and crop monitoring through sound analysis. Despite
growing interest, significant gaps have been identified in areas such as
the use of artificial intelligence and machine learning in interpreting the
acoustic data collected. The study concludes that it is essential to
continue developing more advanced IoT systems, particularly in fields
such as beekeeping and ecology, where the application of sound analysis
can have a significant impact. This work provides a solid foundation for
future research and the development of innovative technologies in
agroindustry.
Keywords: Internet of Things (IoT), sound analysis in agroindustry,
acoustic monitoring in agriculture, pest detection via IoT, smart
agriculture.
Resumo
Este artigo tem como objetivo revisar e analisar a literatura sobre a
aplicação da Internet das Coisas (IoT) na captura e análise de som na
agroindústria, uma área emergente com grande potencial para melhorar
a eficiência e sustentabilidade agrícola. O estudo busca identificar o
estado atual da pesquisa, as principais tendências e áreas de
oportunidade nesse campo. Uma revisão sistemática da literatura foi
realizada utilizando o Google Acadêmico como base de dados, com foco
em publicações que abordam especificamente a integração do IoT no
monitoramento acústico. O processo incluiu a coleta e análise de dados
bibliométricos, além da avaliação das características das pesquisas
realizadas até o momento. Os resultados destacam que a maioria dos
estudos é recente, com foco particular em aplicações como a detecção
de pragas e o monitoramento de culturas por meio da análise de som.
Apesar do crescente interesse, foram identificadas lacunas significativas
em áreas como o uso de inteligência artificial e aprendizado de máquina
na interpretação dos dados acústicos coletados. O estudo conclui que é
essencial continuar desenvolvendo sistemas IoT mais avançados,
especialmente em campos como a apicultura e a ecologia, onde a
aplicação da análise de som pode ter um impacto significativo. Este
trabalho oferece uma base sólida para pesquisas futuras e o
desenvolvimento de tecnologias inovadoras na agroindústria.
Palavras-chave: Internet das Coisas (IoT), análise de som na
agroindústria, monitoramento acústico na agricultura, detecção de
pragas via IoT, agricultura inteligente.
Introducción
La intersección de tecnologías avanzadas con la agricultura,
especialmente a través del Internet de las Cosas (IoT), ha revolucionado
la eficiencia agrícola y la gestión de recursos. El análisis sonoro mediante
4
IoT emerge como una innovación clave en la detección y gestión de
plagas, utilizando tecnologías para identificar y combatir amenazas
agrícolas antes de que afecten los rendimientos de los cultivos (Ali et al.,
2024). La aplicación de IoT en el análisis sonoro en agroindustria está
en un punto crítico, con el potencial de transformar la detección y manejo
de plagas mediante sistemas automatizados y aprendizaje profundo (Ojo
et al., 2022).
A pesar de los avances, existen lagunas en la literatura sobre el estado
actual y futuro de esta investigación. La necesidad de sistemas capaces
de integrar y procesar datos acústicos complejos para generar
respuestas eficaces es crítica (Radhika et al., 2022). Problemas
específicos incluyen la implementación de sistemas para discernir
sonidos indicativos de plagas o necesidades de riego (Karar et al., 2021),
y la monitorización en apicultura para prevenir trastornos como el
colapso de colonias (Imoize et al., 2020).
Este estudio busca explorar el estado de la literatura en relación con la
aplicación de IoT en captura y análisis de sonido en agroindustria. La
investigación se enfoca en una revisión sistemática de la literatura,
destacando la importancia de los sistemas basados en IoT y análisis
sonoro en prácticas agrícolas sostenibles y eficientes. Específicamente
se busca explorar aspectos puntuales relacionados con la bibliometría
básica de la literatura y las características de la investigación realizada
en este campo. Después de esta introducción, el lector podrá encontrar
la metodología de investigación utilizada, los resultados, discusión y
conclusiones.
Metodología
La presente revisión sistemática de literatura se enfoca en el estado de
la literatura en relación con la investigación en aplicación de IoT en
captura y análisis de sonido en agroindustria. El enfoque metodológico
utilizado en este estudio permitió recopilar, evaluar y sintetizar las
investigaciones relevantes y disponibles sobre un tema específico
(Williamson & Johanson, 2017), en este caso, la aplicación de IoT en
captura y análisis de sonido en agroindustria. Para la identificación de
fuentes relevantes, se utilizó Google Académico como base de datos
bibliográfica dada su amplia cobertura de literatura científica en relación
con la agroindustria (Ritchie et al., 2018). La búsqueda de literatura se
organizó mediante el software “Harzing 's Publish or Perish” (versión
8.12.4612.8888), dado que facilita la gestión y análisis de los resultados
obtenidos. Considerando que el término “IoT” fue empleado por primera
vez en 1999 (Madakam et al., 2015), el rango de fechas utilizado para la
búsqueda de documentos fue del 2000 al 2023. Se definieron conjuntos
de palabras clave relacionadas con IoT y el análisis sonoro en la
agroindustria, los cuales, en un primer proceso de búsqueda arrojaron
una determinada cantidad de resultados tal como se muestra en la Tabla
1.
Tabla 1
Cadenas de Búsqueda para Artículos Científicos y Resultados
5
Cadena de Búsqueda
Resultados
("IoT" OR "Internet of Things") + ("acoustic monitoring" OR
"sound capture") + ("agro" OR "agroindustry")
53
("IoT" OR "Internet of Things") + ("sound analysis") +
("agro")
52
("IoT") + ("sound capture" OR "acoustic monitoring") +
("agro")
41
("Internet of Things") + ("sound analysis" OR "acoustic
monitoring") + ("agricultural industry")
33
("Internet de las Cosas") + ("monitoreo acústico" OR "captura
de sonido") + ("agroindustria" OR "agricultura")
6
("IoT" OR "Internet de las Cosas") + ("análisis de sonido") +
("agro" OR "agricultura")
12
Total de documentos
198
Con estos resultados, el análisis de los datos se realizó en varias etapas.
Primero, se eliminaron artículos duplicados y se filtraron los documentos
por idioma (español e inglés) y relevancia temática con respecto a la
pregunta de investigación, con esto se redujo la cantidad de elementos
de literatura a 198
referencias. Se procedió a descartar aquellos
elementos de literatura que no se trataran de artículos científicos que
reportan estudios con evidencias, experimentos o estudios de tipo
revisión de literatura relacionados con la aplicación de IoT en captura y
análisis de sonido en la agroindustria. Finalmente, se procedió a ubicar
el elemento de literatura completo para su análisis detallado. Con esto,
el número final de elementos de literatura resultante fue de 39 con los
cuales se desarrolló el estudio. En la Tabla 2, se muestran los elementos
de literatura resultantes con el código asignado para facilitar la referencia
futura en este artículo de esta literatura. Con estos resultados definitivos
se llevó a cabo una clasificación de los elementos de la literatura
mediante el uso de diagramas de afinidad (Pavlíčková et al., 2022). Para
la gestión de referencias se utilizó Zotero (versión 6.0.36), lo cual ayudó
en la visualización de redes de coautoría y palabras clave, esenciales
para identificar tendencias y patrones clave en la literatura. Finalmente,
el análisis culminó en un ejercicio de relación de los resultados que
permitió desarrollar la investigación.
Tabla 2
Elementos de literatura y código asignado.
Código
Cita
Cita
Código
Cita
1
(Juárez, 2023)
(Zheng et al.,
2021)
27
(Mahfuz et al.,
2022)
2
(Márquez
Guerrero, 2019)
(Krishnan et al.,
2022)
28
(Guntoro et al.,
2019)
3
(Bankinter &
Accenture, 2011)
(Kleanthous et al.,
2022)
29
(Adesipo et al.,
2020)
6
Resultados
Esta sección de resultados la organizamos en dos secciones principales.
La primera está relacionada con la bibliometría básica que presenta la
literatura utilizada en el estudio. La segunda sección, se enfoca en
presentar y relacionar diferentes aspectos básicos de la investigación en
el campo estudiado.
4
(Monta et al.,
2020)
(Ngo et al., 2020)
30
(Abd Aziz et al.,
2021)
5
(Espinoza Ortiz
& Sandoval
Sandoval, 2022)
(Schuller et al.,
2024)
31
(Neethirajan, 2020)
6
(Trujillo Burbano,
2022)
(Abdollahi et al.,
2022)
32
(Neethirajan, 2022)
7
(Mulla
Suquisupa,
2023)
(Raghu et al.,
2022)
33
(Odintsov Vaintrub
et al., 2021)
8
(Prats Rosa,
2022)
(Ajao et al., 2021)
34
(Martinez-Rau
et al., 2023a)
9
(Camargo
Jáuregui, 2016)
(Chen et al.,
2022)
35
(Klotz et al., 2020)
10
(Morone et al.,
2022)
(Iannace et al.,
2021)
36
(Rotaru et al.,
2022)
11
(Spanaki et al.,
2022)
(Mazon-Olivo &
Pan, 2022)
37
(Martinez-Rau
et al., 2023b)
12
(Rotz et al., 2019)
(Mrozek et al.,
2021)
38
(Romaneo, 2017)
13
(Astill et al.,
2018)
(Neethirajan &
Kemp, 2021)
39
(Hoye et al., 2023)
7
Bibliometría
Algunas de las principales métricas de la literatura utilizada se muestran
en la Tabla 3. El promedio de citas por autor (31) y el promedio de citas
(30) son las métricas más altas.
Tabla 3
Promedio de Métricas Clave
Métrica
Promedio
Número de citas
30
Número de citas por
año
3
Número de citas por
autor
31
Número de autores
3
Edad de la literatura
(años)
3
La distribución de la literatura por año y medio de publicación se muestra
en la Tabla 4. Destaca el hecho de que en conferencias prácticamente
no se publica literatura relacionada con la investigación. Solo 2
publicaciones se encontraron en el año 2019. Por otro lado, en tesis hay
una cobertura importante y en revistas es donde más se publica viéndose
incrementado este indicador durante los últimos 4 años.
Tabla 4
Distribución de la cantidad literatura por año y medio de publicación
Año
Conferencia
Revista
Tesis
2011
0
1
0
2016
0
0
1
2017
0
0
1
2018
0
1
0
2019
2
1
1
2020
0
6
0
2021
0
7
0
2022
0
9
3
2023
0
5
1
En agroindustria, la aplicación de IoT en captura y análisis de sonido se
ha enfocado en diversas ramas tal como se muestra en la Tabla 5.
Avicultura, ganadería y agricultura son las ramas en donde más se han
8
reportado aplicaciones de este tipo de tecnología (11, 9 y 8 publicaciones
respectivamente). La apicultura es la rama de la agroindustria donde
menos se ha reportado el uso de esta tecnología (1 publicación).
Tabla 5
Distribución de la cantidad de publicaciones por rama
Rama
# de
publicaciones
Avicultura
11
Ganadería
9
Agricultura
8
Industria
4
Ciudades
Inteligentes
4
Ecología
2
Apicultura
1
El análisis de los elementos de hardware IoT utilizados en la literatura
relacionada con captura y análisis de sonido en agroindustria, revela la
utilización de una amplia variedad de dispositivos y sensores los cuales
no solamente están relacionados con el objeto de este estudio (Ver Tabla
6). Los sensores ambientales son la categoría más representada, con 14
tipos diferentes, incluyendo sensores para monitorización de variables
como temperatura, humedad, luz, niveles de amoniaco y dióxido de
carbono. Estos sensores se utilizan en diversas aplicaciones,
principalmente en la monitorización ambiental y la agricultura de
precisión (Zheng et al., 2021). Ya más relacionado con el objeto de este
estudio, los micrófonos están presentes con 8 tipos diferentes,
incluyendo micrófonos electret direccionales, piezoeléctricos, sensores
de electret y de sonido. (Romaneo, 2017). Estos dispositivos son útiles
para aplicaciones que requieren detección y análisis de sonido en
entornos agroindustriales. También relacionado con el objeto de este
estudio, cabe mencionar la presencia de grabadores de audio,
específicamente grabadores digitales como el Sony Digital ICD-PX312,
que aunque su utilización sólo está referida en un estudio (Martinez-Rau,
Chelotti, Ferrero, Galli, et al., 2023). Otros elementos de hardware
presentes en la literatura analizada son placas de desarrollo, cámaras,
dispositivos de comunicación, sensores adicionales de diversa índole
tales como acelerómetros, sensores RFID y GPS.
9
Tabla 6
Hardware IoT Utilizado
Tipo
Elementos
Código
Micrófonos
● Micrófonos electret direccionales
● Micrófonos piezoeléctricos
● Sensores de electret
● Sensores de sonido (no
especificados)
● Micrófonos (no especificados)
18, 19, 28, 29,
31, 34, 37, 38,
39
Grabadores de
audio
● Grabadores digitales (Sony Digital
ICD-PX312)
37
Sensores
ambientales
● Sensores de temperatura
● Sensores de humedad
● Sensores de luz
● Sensores de amoníaco (MQ-135)
● Sensores de CO2
2, 14, 19, 20,
29, 34, 35
Cámaras
● Cámaras (no especificadas)
● Cámaras térmicas infrarrojas
● Cámaras de alta definición o
infrarrojas
1, 10, 27, 29,
30, 34, 36, 39
Placas de
desarrollo
● Arduino Uno
● Raspberry Pi
● ESP32
● ESP8266
2, 3, 6, 9, 16,
17, 24, 25, 29,
31, 34, 38, 39
Comunicación
● Módulos WiFi
● Módulos LoRa
● Módulos Bluetooth
● Módulos ZigBee
2, 3, 6, 21, 32
Otros sensores
● Acelerómetros
● Sensores RFID
● GPS
8, 16, 17, 19,
27, 33, 38, 39
Las principales referencias a la utilización de elementos de software
utilizados en la literatura relacionada con IoT y captura y análisis de
sonido en agroindustria, se muestran en la Tabla 7. El software de
captura y análisis de sonido es el más representado, con 8 tipos
diferentes de elementos de software que incluyen algoritmos de
procesamiento de señales de audio, software de análisis de sonido,
algoritmos de reconocimiento de sonido, entre otros (Rotaru et al.,
2022).
10
Tabla 7
Software IoT Utilizado
Tipo
Elementos
Código
Captura y
análisis de
sonido
● Algoritmos de procesamiento de señales de
audio
● Software de análisis de sonido.
● Algoritmos de reconocimiento de sonido
● Redes neuronales para análisis acústico
● Mel Frequency Cepstral Coefficients (MFCC)
● Algoritmos KNN para análisis de audio
● Software de edición de audio (Audacity)
● Python scripts para procesamiento de audio
18, 19,
27, 31,
34, 36,
37, 39
Plataformas
IoT y gestión
de datos
● ThingSpeak
● Node-RED
● Microsoft AZURE
● Kaa IoT
● Plataformas en la nube
● SCADA (Supervisory Control and Data
Acquisition)
3, 6, 8,
26, 27,
28, 31,
32, 34
Protocolos de
comunicación
● MQTT
● HTTP
● Modbus RTU
3, 17,
21, 35
Aprendizaje
automático y
IA
● Algoritmos de machine learning
● Redes neuronales convolucionales (CNNs)
● Algoritmos de visión por computadora
● Algoritmos de aprendizaje profundo (Deep
Learning)
● Extreme Gradient Boosting (XGB)
1, 10,
11, 16,
20, 22,
27, 29,
36, 39
Software de
desarrollo y
programación
● IDE de Arduino
● MATLAB
● Python
● R
5, 24,
37, 35
Sistemas
operativos y
entornos
● Software compatible con entorno Windows
● Linux (implícito en uso de Raspberry Pi)
2, 9
Bases de datos
● SQL Server
● Otras bases de datos relacionales (no
especificadas)
2, 29,
35, 38
Sistemas de
información
geográfica
● GIS (Geographic Information System)
12, 34,
38
Blockchain
● Tecnología Blockchain
26
11
Características de la investigación en IoT en Captura y Análisis de Sonido
en Agroindustria
El segundo aspecto de interés en este trabajo se centró en las
particularidades del estudio realizado en el campo bajo análisis. Para
examinar la literatura y evaluar su estado actual, se consideraron
diversos factores, como las preguntas de investigación, los principales
hallazgos, las limitaciones identificadas en los procesos de estudio y las
sugerencias para futuros trabajos reportadas en los artículos analizados.
En este sentido, estos elementos fueron correlacionados entre sí y se
presentan a continuación en la siguiente forma:
● Preguntas de investigación Vs. principales hallazgos
● Preguntas de investigación Vs. Limitaciones
● Preguntas de investigación Vs. trabajos futuros
● Principales hallazgos Vs. limitaciones
● Principales hallazgos Vs. trabajos futuros
● Limitaciones Vs. trabajos futuros
Las preguntas de investigación presentan varias dimensiones de
clasificación. Específicamente se encontraron dimensiones en temas de
gestión, revisión de literatura, desarrollo de protocolos/sistemas e
investigación. En cuanto los principales hallazgos, las principales
dimensiones identificadas estaban relacionadas con evaluación de
impacto, investigación aplicada, desarrollo de tecnología y revisión de
literatura.
De esta forma, en la Tabla 8 se describe la relación de las preguntas de
investigación Vs. Los principales hallazgos. Los resultados muestran que
la literatura enfocada en preguntas de investigaciones relacionadas con
la gestión con hallazgos correspondientes a investigación aplicada de la
tecnología de IoT para la captura y análisis de sonidos en agroindustria,
es predominante. Los principales hallazgos de las investigaciones están
de hecho, relacionados con investigación aplicada y desarrollo de
tecnología.
12
Tabla 8
Relación de preguntas de investigación Vs. principales hallazgos
Por otro lado, la relación entre preguntas de investigación y limitaciones
se muestra en la Tabla 9. En este caso, el análisis de las limitaciones
en las investigaciones permitió identificar las siguientes dimensiones:
limitaciones en costos-accesibilidad-infraestructura, limitaciones en
capacitación y adopción y limitaciones metodológicas y de
implementación. Así las cosas, en literatura orientada a evaluar la
gestión de la aplicación de la tecnología bajo estudio, las mayores
limitaciones reportadas estaban relacionadas con los costos,
accesibilidad e infraestructura de la aplicación de esta tecnología.
Pregunta de
Investigación
Principales Hallazgos
Evaluació
n de
Impacto
Investigaci
ón Aplicada
Desarrollo
de
Tecnología
Revisión de
Literatura
Gestión
1, 4, 7, 8,
9, 13, 14,
16, 19, 25,
26, 27, 31,
32, 33, 34
17, 36, 37
Revisión de
Literatura
2
10, 11,
12,15,
18,28, 29,
30
35, 38, 39
24
Desarrollo de
Protocolos /
Sistemas
5
20, 21
Investigación
3, 22
6, 23
13
Tabla 9
Relación de preguntas de investigación Vs. limitaciones
Al relacionar las preguntas de investigación con los trabajos futuros se
obtuvo el resultado mostrado en la Tabla 10. Las dimensiones
identificadas en las sugerencias de trabajos futuros estaban relacionadas
con ampliar la investigación y desarrollo, evaluar el impacto y la
sostenibilidad y mejorar la seguridad y políticas. En concordancia con
los resultados presentados previamente, la literatura orientada a evaluar
la gestión de la aplicación de la tecnología bajo estudio sugiere en mayor
medida incrementar la investigación de desarrollo de esta tecnología.
Pregunta de
Investigación
Limitaciones
Costos,
Accesibilidad e
Infraestructura
Capacitació
n y
Adopción
Metodológicas y
de
Implementación
Gestión
1, 4, 6, 9, 14, 16,
19, 27, 32, 33, 38
8, 17, 26
7, 25, 31, 34, 37
Revisión de
Literatura
2, 11, 12, 15, 24
10, 35, 36
18, 28, 29, 30
Desarrollo de
Protocolos /
Sistemas
5, 21
20
Investigación
3, 13, 22, 23
14
Tabla 10
Relación de preguntas de investigación Vs. Trabajos futuros
Continuando con la presentación de los resultados, en la Tabla 11 se
muestra la relación de los principales hallazgos con las limitaciones.
Aquí destaca el hecho de que los principales hallazgos relacionados con
investigación aplicada presentaron mayores limitaciones en costos,
accesibilidad e infraestructura.
Pregunta de
Investigación
Trabajos futuros
Investigación y
Desarrollo
Evaluación de
Impacto y
Sostenibilidad
Seguridad y
Políticas
Gestión
1, 4, 8, 9, 14, 16,
17, 26, 27, 28, 31,
32, 35, 37, 38
33
7
Revisión de
Literatura
10, 11, 15, 18, 25,
29, 30, 34, 36, 39
2
12, 24
Desarrollo de
Protocolos /
Sistemas
5, 20, 21
Investigación
3, 6, 13, 19, 22
23
15
Tabla 11
Relación de limitaciones Vs. principales hallazgos
Por otro lado, los resultados de la Tabla 12 muestran la relación entre
los principales hallazgos y las sugerencias de trabajos futuros con las
limitaciones. En este análisis se resalta el hecho de que la literatura que
reporta hallazgos relacionados con investigación aplicada, sugiere
incrementar precisamente la investigación y desarrollo en tecnología de
IoT para la captura y análisis de sonidos en agroindustria.
Limitaciones
Principales Hallazgos
Evaluaci
ón de
Impacto
Investigació
n Aplicada
Desarrollo
de
Tecnología
Revisión
de
Literatura
Costos,
accesibilidad e
Infraestructura
2, 22
1, 3, 4, 5, 6,
11, 12, 13,
14, 15, 19,
23, 25, 27,
31, 32, 38
17, 20, 21,
37
11, 24
Capacitación y
Adopción
8, 9, 10, 26,
28, 33
38
Metodológicas y
de
Implementación
7, 16, 18,
29, 30, 34
39
16
Tabla 12
Relación de trabajos futuros Vs. principales hallazgos
Finalmente, los resultados de relacionar las limitaciones y las sugerencias
de trabajos futuros también mostraron resultados concretos que se
muestran en la Tabla 13. En este sentido, la literatura que presentó más
sugerencias de incrementar la investigación y desarrollo de la tecnología
bajo estudio reportó más limitaciones en cuanto a costos, accesibilidad
e infraestructura.
Trabajos
Futuros
Principales Hallazgos
Evaluaci
ón de
Impacto
Investigación
Aplicada
Desarrollo
de
Tecnología
Revisión
de
Literatur
a
Investigación y
Desarrollo
3, 5,
22
1, 4, 6, 8, 9,
10, 11, 13, 14,
15, 16, 18, 19,
25, 26, 27, 28,
29, 30, 31, 32,
34, 35, 38
17, 20, 21,
36, 37, 39
Evaluación de
Impacto y
Sostenibilidad
2
23, 33
Seguridad y
Políticas
7, 12
24
17
Tabla 13
Relación de trabajos futuros Vs. limitaciones
Discusión
El análisis de las métricas clave mostradas en la Tabla 3 muestra que el
campo de IoT en agroindustria es relativamente joven con un promedio
de edad de 3 años de la literatura, un promedio de 30 citas por artículo
y una media de 3 citas por año. La tendencia en la producción académica
en revistas refleja el creciente interés y la importancia de las tecnologías
IoT en la agroindustria para ser reportadas en medios formales
científicos.
Como se aprecia en la Tabla 4, en 2018 solo se registró una publicación
en revista, pero este número aumentó drásticamente en los años
siguientes, alcanzando su punto máximo en 2022 con nueve artículos en
revistas y tres tesis. Este crecimiento reciente explica lo joven que es la
literatura en el campo de estudio. La distribución de la cantidad de
publicaciones relacionadas con la aplicación de IoT en captura y análisis
de sonido entre los diferentes campos de aplicación, denota que existe
un importante interés en áreas puntuales como la avicultura y ganadería,
pero un vacío muy relevante en áreas clave del desarrollo sostenible
como lo son la ecología y la apicultura. (Ver Tabla 5).
La diversidad de hardware IoT empleado refleja que la captura y análisis
de sonido suele estar vinculada a otros intereses en la aplicación de esta
tecnología, como se evidencia en la Tabla 6. Se identificaron en la
literatura muchos elementos que reportaron experiencias de
investigación en aspectos relacionados con captura de sonido (códigos
Trabajos
Futuros
Limitaciones
Costos,
accesibilid
ad e
Infraestruc
tura
Capacitació
n y
Adopción
Metodológicas
y de
Implementació
n
Investigación y
Desarrollo
1, 3, 4, 5,
6, 11, 12,
14, 15,
18, 19,
21, 24,25,
27, 28,
37, 38
10 17, 33,
34
8, 9, 16, 20,
29, 30, 35, 36,
39
Evaluación de
Impacto y
Sostenibilidad
2, 23
Seguridad y
Políticas
13, 22
7
18
18-19-28-29-31-34-37-38-39) y grabación de audio (código 37). No
obstante, la literatura que fue seleccionada para el estudio también
reportó la utilización de otros dispositivos como sensores ambientales
(códigos 2-14-19-20-29-34-35) y cámaras (códigos 1-10-27-29-30-34-
36-39). Esto refiere a que, en estos estadios tempranos de la aplicación
de este tipo de tecnología, se piensa en aplicaciones generales y no
específicas. Al contrastar esta información del hardware con la del
software (Tabla 7) notamos que existe una relación marcada entre el
hardware y software de captura y registro de sonido. Los documentos
codificados como 18-19-31-34-39 contenían elementos de hardware y
software orientados a la captura y registro de sonido. Lo interesante es
que el análisis que se podría sistematizar de forma más eficiente por
medio de aprendizaje automático y AI, no representó mayor relación.
Solo 2 elementos de literatura (códigos 29 y 39) reportaron hardware de
captura de sonido y utilización de esos elementos de análisis. Esto
implica que hay mucho por hacer en cuanto a incrementar los esfuerzos
para utilizar más tecnología de aprendizaje automático y AI.
El estudio identificó aspectos relevantes sobre las características de la
investigación en IoT aplicada a la captura y análisis de sonido en
agroindustria. Para ello, se contrastaron elementos específicos presentes
en la literatura científica, cuyos resultados se presentan en las Tablas 8
a 13. Acompañando la presentación de cada uno de los contrastes, se
indicó en el texto anexo a cada tabla, la mayor cantidad de coincidencia
en la literatura. Así, por ejemplo, en el caso del contraste entre las
preguntas de investigación y los principales hallazgos (Tabla 8) menciona
que mucha literatura se orientaba a preguntas de investigaciones
relacionadas con la gestión y con hallazgos correspondientes a
investigación aplicada. En el caso del contraste de trabajos futuros con
principales hallazgos (Tabla 12), la mayor cantidad literatura que
reportaba hallazgos relacionados con investigación aplicada, sugiere
como trabajos para el futuro precisamente el incrementar la
investigación y desarrollo en tecnología de IoT para la captura y análisis
de sonidos en agroindustria.
En este sentido, en lugar de reiterar consideraciones previas, resulta
pertinente destacar los vacíos identificados en la literatura al comparar
estos elementos formales de la investigación.
Por ejemplo, no existen trabajos de investigación orientados a la gestión
del uso de IoT captura y análisis de sonido y que hayan evaluado el
impacto de la aplicación de dicha tecnología. Del mismo modo, por la
misma naturaleza de la juventud de este campo de investigación, no se
han desarrollado protocolos suficientes que hayan sido utilizados en
investigación aplicada. Falta también desarrollar más investigación en
el desarrollo de tecnología y, en general, se deben desarrollar más
revisiones de literatura como objetivo puntual de la investigación de IoT
aplicada a captura y análisis de sonido en agroindustria.
Al contrastar las preguntas de investigación con las limitaciones
obtenidas, en pocos casos se nota la ausencia de limitaciones. El caso
más llamativo es el de la ausencia total de limitaciones en la
19
capacitación-adopción en estudios enfocados en el desarrollo de
protocolos o sistemas, así como aquellos orientados a la investigación
en general. El reporte de limitaciones en muchos estudios enfocados a
diversos objetivos reforzaría el hecho de que estamos en presencia de
un campo de desarrollo relativamente que tiene que solventar muchos
problemas prácticos para su desarrollo.
Lo más destacado en cuanto al contraste de las preguntas de
investigación y los trabajos futuros es la ausencia de recomendaciones
de trabajos futuros para el desarrollo de protocolos-sistemas para la
evaluación del impacto y sostenibilidad y el desarrollo de políticas. En
este sentido de ausencia de este tipo de sugerencias de trabajos futuros,
se refuerza lo indicado anteriormente respecto a que existe un vacío muy
relevante en áreas clave de la potencial aplicación de IoT en captura y
análisis de sonido para temas relacionados con el desarrollo sostenible,
específicamente en el caso de la ecología y la apicultura. (Ver Tabla 5)
Otro contraste interesante es el que se presenta entre las limitaciones y
los principales hallazgos. No existen hallazgos relacionados con
desarrollo de tecnología con limitaciones en capacitación-adopción ni
metodológicas-implementación. Esto permite inferir que es
relativamente simple encontrar ayuda para desarrollar tecnología de IoT
y su correspondiente implementación.
Finalmente, la relación entre los trabajos futuros y los principales
hallazgos, así como entre los trabajos futuros y las limitaciones,
evidencia una brecha significativa en la aplicación de IoT para la captura
y análisis de sonido en agroindustria, especialmente en su vínculo con la
sostenibilidad, un aspecto que ya había sido señalado previamente.
Conclusiones
Este artículo expone los resultados de una revisión sistemática de la
literatura, realizada con el propósito de identificar y analizar estudios
sobre el uso de IoT en la captura y análisis de sonido en agroindustria.
La investigación se centró en aspectos específicos, como el análisis
bibliométrico básico y las características de los estudios desarrollados en
este campo.
La bibliometría de los elementos de literatura consultados revela que el
campo de investigación relacionado con la aplicación de IoT en captura
y análisis de sonido es muy incipiente. Si bien es cierto se utiliza una
importante cantidad de dispositivos de hardware relacionados con la
captura y registro de datos relacionados con sonidos, el uso de software
como elementos de aprendizaje automático y otros elementos de AI
parecen ser muy incipientes. Definitivamente, aquí hay un campo
importante de desarrollo futuro. Por otro lado, en cuanto a las
características de la investigación realizada, la misma juventud de la
investigación indica que se está en este momento en un estado de
formación de los intereses de investigación que tenderá a clarificarse
conforme pase el tiempo.
20
La principal limitación de este estudio indudablemente es la poca
literatura disponible que cumpliera con los elementos metodológicos de
selección de la información. No obstante, el abordaje metodológico, en
cuanto al proceso de selección y análisis de la información brindan una
base interesante para guiar futuros trabajos similares a este, o
actualizaciones de hecho de este mismo estudio para un momento en el
cual exista mucha más literatura.
En línea con esto último, la recomendación general de trabajos futuros
es continuar desarrollando más prototipos relacionados con la captura y
análisis de sonidos en agroindustria, ojalá, en áreas tan importantes
como la ecología y la apicultura. A este desarrollo futuro de prototipos,
se recomienda un abordaje más profundo de más análisis de los datos
resultantes para lo cual, aspectos como el aprendizaje automático y la
AI en general, representan una promesa de enfoque fructífero desde el
punto de vista formal de investigación.
Referencias
Abd Aziz, N. S. N., Mohd Daud, S., Dziyauddin, R. A., Adam, M. Z., &
Azizan, A. (2021). A review on computer vision technology for monitoring
poultry farm—Application, hardware, and software. IEEE Access, 9.
https://doi.org/10.1109/ACCESS.2020.3047818
Abdollahi, M., Giovenazzo, P., & Falk, T. H. (2022). Automated beehive
acoustics monitoring: A comprehensive review of the literature and
recommendations for future work. Applied Sciences, 12(8), 3920.
https://doi.org/10.3390/app12083920
Adesipo, A., Fadeyi, O., Kuca, K., Krejcar, O., Maresova, P., Selamat,
A., & Adenola, M. (2020). Smart and climate-smart agricultural trends
as core aspects of smart village functions. Sensors, 20(21), 5977.
https://doi.org/10.3390/s20215977
Ajao, L., Adedokun, E. A., Mua'zu, M. B., & Agajo, J. (2021). Smart
embedded wireless system design: An Internet of Things realization.
International Journal of Automation and Smart Technology, 11(1), Article
2146. https://doi.org/10.5875/ausmt.v11i1.2146
Ali, M. A., Sharma, A. K., & Dhanaraj, R. K. (2024). Heterogeneous
features and deep learning networks fusion-based pest detection,
prevention and controlling system using IoT and pest sound analytics in
a vast agriculture system. Computers and Electrical Engineering, 116,
109146.
https://doi.org/10.1016/j.compeleceng.2024.109146
Astill, J., Dara, R. A., Fraser, E. D. G., & Sharif, S. (2018). Detecting
and predicting emerging disease in poultry with the implementation of
new technologies and big data: A focus on avian influenza virus. Frontiers
in Veterinary Science, 5.
https://doi.org/10.3389/fvets.2018.00263
Bankinter & Accenture. (2011). El internet de las cosas. Fundación de la
Innovación Bankinter. Recuperado el 16 de junio de 2024 de
https://www.fundacionbankinter.org/wp-
content/uploads/2021/09/Publicacion-PDF-ES-FTF_IOT.pdf
21
Camargo Jáuregui, W. H. (2016). Las TIC y su aplicación en la captura
y análisis de datos relacionados con el ruido ambiental en el contexto
físico de la Universidad Francisco de Paula Santander. Maestría en
Desarrollo Sostenible y Medioambiente. Recuperado de
https://ridum.umanizales.edu.co/xmlui/handle/20.500.12746/3082
Chen, G., Li, C., Guo, Y., Shu, H., Cao, Z., & Xu, B. (2022). Recognition
of cattle’s feeding behaviors using noseband pressure sensor with
machine learning. Frontiers in Veterinary Science, 9:822621.
https://doi.org/10.3389/fvets.2022.822621
Espinoza Ortiz, C. E., & Sandoval Sandoval, E. G. (2022). Protocolo para
telemetría por medio de la tecnología celular GSM y SMS empleando el
microcontrolador Arduino. Repositorio Institucional - UCV.
https://repositorio.ucv.edu.pe/handle/20.500.12692/113803
Guntoro, B., Hoang, Q. N., A’yun, A. Q., & Rochijan. (2019). Dynamic
responses of livestock farmers to smart farming. IOP Conference Series:
Earth and Environmental Science, 372(1), 012042.
https://doi.org/10.1088/1755-1315/372/1/012042
Hoye, T., August, T., Balzan, M., & Biesmeijer, K. (2023). Modern
approaches to the monitoring of biodiversity (MAMBO). RIO Journal of
Research and Innovation, 10(1).
https://doi.org/10.3897/rio.9.e116951
Iannace, G., Trematerra, A., & Lombardi, I. (2021). Effects of nightlife
noise in a city center. Noise Mapping, 8(1), 228–235.
https://doi.org/10.1515/noise-2021-0018
Imoize, A. L., Odeyemi, S. D., & Adebisi, J. A. (2020). Development of
a low-cost wireless bee-hive temperature and sound monitoring system.
Indonesian Journal of Electrical Engineering and Informatics (IJEEI),
8(3), Article 3. https://doi.org/10.52549/ijeei.v8i3.2268
Juárez, R. (2023). Ganadería de precisión, una revisión a los avances
dentro de la avicultura enfocados a la crianza de pollos de
engorde. Prisma Tecnológico, 14(1), 38-48.
https://doi.org/10.33412/pri.v14.1.3652
Karar, M., Reyad, O., Abdel-Aty, A.-H., Owyed, S., & Hassan, M.
(2021). Intelligent IoT-aided early sound detection of red palm weevils.
Computers, Materials & Continua, 69(3), 4095–4111.
https://doi.org/10.32604/cmc.2021.019059
Kleanthous, N., Hussain, A., Khan, W., Sneddon, J., & Liatsis, P. (2022).
Deep transfer learning in sheep activity recognition using accelerometer
data. Expert Systems with Applications, 207, 117925.
https://doi.org/10.1016/j.eswa.2022.117925
Klotz, D. F., Ribeiro, R., Enembreck, F., Denardin, G., Barbosa, M.,
Casanova, D., & Teixeira, M. (2020, agosto 17). Estimating action plans
for smart poultry houses. arXiv.
https://doi.org/10.48550/arXiv.2008.07356
22
Krishnan, S., Prasanth, N., Ralphin, J. B., & Rajalakshmi, N. (2022).
Cloud IoT systems for smart agricultural engineering. Routledge & CRC
Press.
https://doi.org/10.1201/9781003185413
Madakam, S., Ramaswamy, R., & Tripathi, S. (2015). Internet of things
(IoT): A literature review. Journal of Computer and Communications,
3(5), 164-173.
https://doi.org/10.4236/jcc.2015.35021
Mahfuz, S., Mun, H.-S., Dilawar, M., & Yang, C.-J. (2022). Applications
of smart technology as a sustainable strategy in modern swine farming.
Sustainability, 14(5), 2607.
https://doi.org/10.3390/su14052607
Márquez Guerrero, C. S. (2019). Internet de las cosas aplicado al sector
avícola de Santander (Colombia): Prototipo orientado a una empresa del
área metropolitana de Bucaramanga. Universidad Autónoma de
Bucaramanga.
https://repository.unab.edu.co/handle/20.500.12749/7276
Martinez-Rau, L. S., Chelotti, J. O., Ferrero, M., Galli, J. R., Utsumi, S.
A., Planisich, A. M., Rufiner, H. L., & Giovanini, L. L. (2023, agosto 28).
A noise-robust acoustic method for recognizing foraging activities of
grazing cattle. arXiv.
https://doi.org/10.48550/arXiv.2304.14824
Martinez-Rau, L. S., Chelotti, J. O., Ferrero, M., Utsumi, S. A.,
Planisich, A. M., Vignolo, L. D., Giovanini, L. L., Rufiner, H. L., & Galli,
J. R. (2023). Daylong acoustic recordings of grazing and rumination
activities in dairy cows. Scientific Data, 10(1), 782.
https://doi.org/10.1038/s41597-023-02673-3
Mazon-Olivo, B., & Pan, A. (2022). Internet de las cosas: Estado del
arte, paradigmas computacionales y arquitecturas de referencia. IEEE
Latin America Transactions, 20(1), Article 1.
https://doi.org/10.1109/TLA.2022.9662173
Monta, C., Ayala, P., Cáceres, J., García, C. A., & García, M. (2020).
Control difuso de bajo costo para sistemas de calefacción en avícolas.
Revista Ibérica de Sistemas e Tecnologias de Informação, N.º E37, 180-
193.
https://www.proquest.com/openview/af4853282a08b4be33c2bfeb4d8ca
239/1?pq-origsite=gscholar&cbl=1006393
Morone, S., Dimauro, C., Gambella, F., & Cappai, M. G. (2022).
Industry 4.0 and precision livestock farming (PLF): An up to date
overview across animal productions. Sensors, 22(12), 4319.
https://doi.org/10.3390/s22124319
Mrozek, D., Górny, R., Wachowicz, A., & Małysiak-Mrozek, B. (2021).
Edge-based detection of varroosis in beehives with IoT devices with
embedded and TPU-accelerated machine learning. Applied Sciences,
11(22), 11078.
https://doi.org/10.3390/app112211078
Mulla Suquisupa, C. A. (2023). Industria 4.0: Inmersión de las empresas
españolas en la cuarta revolución industrial. Caso de estudio: Gestamp
23
Smart Factory [Trabajo de fin de grado, Universidad de Valladolid].
UVaDoc.
https://uvadoc.uva.es/handle/10324/63614
Neethirajan, S. (2020). Digitalization of Animal Farming.
https://doi.org/10.20944/preprints202007.0040.v1
Neethirajan, S. (2022). Affective state recognition in livestock—Artificial
intelligence approaches Animals, 12(6), 759.
https://doi.org/10.3390/ani12060759
Neethirajan, S., & Kemp, B. (2021). Digital livestock farming. Sensing
and Bio-Sensing Research, 32, 100408.
https://doi.org/10.1016/j.sbsr.2021.100408
Ngo, H. Q. T., Nguyen, T. P., & Nguyen, H. (2020). Research on a low-
cost, open-source, and remote monitoring data collector to predict
livestock’s habits based on location and auditory information: A case
study from Vietnam. Agriculture, 10(5), 180.
https://doi.org/10.3390/agriculture10050180
Odintsov Vaintrub, M., Levit, H., Chincarini, M., Fusaro, I., Giammarco,
M., & Vignola, G. (2021). Review: Precision livestock farming, automats,
and new technologies: Possible applications in extensive dairy sheep
farming. Animal: An International Journal of Animal Bioscience, 15(3),
100143.
https://doi.org/10.1016/j.animal.2020.100143
Ojo, R. O., Ajayi, A. O., Owolabi, H. A., Oyedele, L. O., & Akanbi, L.
A. (2022). Internet of things and machine learning techniques in poultry
health and welfare management: A systematic literature review.
Computers and Electronics in Agriculture, 200, 107266.
https://doi.org/10.1016/j.compag.2022.107266
Pavlíčková, M., Mojžišová, A., & Pócsová, J. (2022). Hoshin Kanri
process: A review and bibliometric analysis on the connection of theory
and practice. Processes, 10(9), 1854.
https://doi.org/10.3390/pr10091854
Prats Rosa, J. (2022). Estudio de una aplicación IoT para diagnóstico de
sistemas industriales [Trabajo final de grado, Universitat Politècnica de
Catalunya]. UPCommons.
https://upcommons.upc.edu/handle/2117/380432
Radhika, R., Shobana, M., Balasaraswathi, V. R., Fancy, C., & Shamala,
L. M. (2022). An automated irrigation system with movement and sound
detection sensor for crop shielding. In 2022 7th International Conference
on Communication and Electronics Systems (ICCES) (pp. 38–44). IEEE.
https://doi.org/10.1109/ICCES54183.2022.9835897
Raghu, R., Jayaramaan, V., Jayaraman, J., Nukala, S. S. V., &
Montenegro-Marin, C. E. (2022). A user-centered security approach to
create an IoT-based multi-layered fog-cloud architecture for data
optimization in raised bed farming. International Journal of Safety and
Security Engineering, 12(6), 767–776.
https://doi.org/10.18280/ijsse.120614
24
Ritchie, S. M., Young, L. M., & Sigman, J. (2018). Comparison of
selected bibliographic database subject overlap for agricultural
information. Issues in Science and Technology Librarianship, (89).
https://doi.org/10.29173/istl1727
Romaneo, J. (2017). The current global situation and challenges of RPW
management programs. En Proceedings of the Scientific Consultation
and High-Level Meeting on Red Palm Weevil Management (pp. 85–95).
FAO.
https://openknowledge.fao.org/server/api/core/bitstreams/8b2c1cb2-
1856-47ec-b072-6b74bd38abde/content#page=93
Rotaru, A., Vâtcă, A., Pop, I., & Andronie, L. (2022). Artificial
intelligence, a possible solution for agriculture and animal husbandry
sector? Bulletin of University of Agricultural Sciences and Veterinary
Medicine Cluj-Napoca. Animal Science and Biotechnologies, 78(2).
https://doi.org/10.15835/buasvmcn-asb:2021.0004
Rotz, S., Duncan, E., Small, M., Botschner, J., Dara, R., Mosby, I.,
Reed, M., & Fraser, E. D. G. (2019). The politics of digital agricultural
technologies: A preliminary review. Sociologia Ruralis, 59(2).
https://doi.org/10.1111/soru.12233
Schuller, B. W., Akman, A., Chang, Y., Coppock, H., Gebhard, A.,
Kathan, A., Rituerto-González, E., Triantafyllopoulos, A., & Pokorny, F.
B. (2024). Ecology & computer audition: Applications of audio technology
to monitor organisms and environment. Heliyon, 10(1), e23142.
https://doi.org/10.1016/j.heliyon.2023.e23142
Spanaki, K., Sivarajah, U., Fakhimi, M., Despoudi, S., & Irani, Z.
(2022). Disruptive technologies in agricultural operations: A systematic
review of AI-driven AgriTech research. Annals of Operations Research,
308(1), 491–524. https://doi.org/10.1007/s10479-020-03922-z
Trujillo Burbano, I. A. (2022). Diseño de una red LoRa que permita la
interconexión de sensores inalámbricos en la ciudad de Riobamba bajo
el concepto de smart cities [Trabajo de titulación, Escuela Superior
Politécnica de Chimborazo]. DSpace ESPOCH.
http://dspace.espoch.edu.ec/handle/123456789/20831
Williamson, K., & Johanson, G. (Eds.). (2017). Research methods:
Information, systems, and contexts (2ª ed.). Chandos Publishing.
https://books.google.co.cr/books?id=GVPXDgAAQBAJ
Zheng, H., Zhang, T., Fang, C., Zeng, J., & Yang, X. (2021). Design
and implementation of poultry farming information management system
based on cloud database. Animals, 11(3), 900.
https://doi.org/10.3390/ani11030900