Evaluación de Arquitecturas de Redes Neuronales Convolucionales para la Detección de Enfermedades en las Hojas de la Papa

Resumen

La papa, uno de los principales cultivos alimentarios básicos a nivel mundial, es altamente susceptible a diversas enfermedades foliares que afectan significativamente su productividad y representan una seria amenaza para la seguridad alimentaria, contribuyendo así a pérdidas económicas y afectando los ingresos de los agricultores. Por lo tanto, la detección temprana y precisa es esencial. Los métodos de detección convencionales se basan principalmente en la observación manual, que consume mucho tiempo y requiere personal especializado. En este estudio, se evaluaron cinco arquitecturas de redes neuronales convolucionales (CNN) para la clasificación automática de enfermedades foliares de la papa, incluyendo modelos preentrenados (ResNet50, MobileNet y VGG16) y modelos entrenados desde cero (AlexNet y LeNet-5). El conjunto de datos se construyó integrando y seleccionando imágenes de repositorios públicos disponibles en Kaggle alcanzando un total de 6691 imágenes, que comprenden cinco clases: tizón temprano, tizón tardío, virus del enrollamiento de la hoja de la papa (PLRV), virus del mosaico (PVY) y hojas sanas. Se realizaron múltiples experimentos variando hiperparámetros como el tamaño del lote, los optimizadores y el número de épocas de entrenamiento. Los resultados muestran que VGG16 obtuvo el mejor rendimiento, con una precisión del 99,87 %, superando a las demás arquitecturas. Además, se desarrolló una aplicación móvil basada en el modelo óptimo para la detección en tiempo real. Estos hallazgos demuestran el potencial del aprendizaje profundo para sistemas de diagnóstico agrícola inteligentes y escalables.