Evaluación de arquitecturas de redes neuronales convolucionales para la clasificación de enfermedades en el cultivo de arroz
DOI:
https://doi.org/10.17081/invinno.13.2.7519Palabras clave:
evaluar, redes neuronales convolucionales, clasificaci´ón de imágenes, patógenos, enfermedades del arroz, aprendizaje transferidoResumen
Objetivo: Evaluar el desempeño de diversas arquitecturas de redes neuronales convolucionales (CNN) en la clasificación de enfermedades que afectan el cultivo de arroz.
Metodología: Se adoptó el proceso de Descubrimiento de Conocimiento en Bases de Datos (KDD) como enfoque integral para la gestión y análisis de imágenes, abarcando las etapas de selección, preprocesamiento, transformación y evaluación de resultados. Se empleó un conjunto de imágenes correspondiente a cuatro agentes patógenos del arroz, las cuales fueron sometidas a técnicas de aumentación de datos y divididas en conjuntos de entrenamiento, validación y prueba. Con este conjunto se entrenaron cinco arquitecturas de CNN: una CNN base, MobileNet, VGG16, VGG19 y ResNet50, incorporando la técnica de transfer learning. El desempeño de los modelos se evaluó mediante métricas de exactitud, precisión, recall, F1-score y el área bajo la curva ROC (AUC).
Resultados: Los resultados evidenciaron diferencias significativas en el desempeño de las arquitecturas evaluadas. ResNet50 presentó el mejor rendimiento global, con una exactitud de 0.89, precisión de 0.90, recall de 0.89, F1-score de 0.89 y un AUC de 0.98. De manera similar, VGG16 obtuvo resultados destacados con valores de exactitud y F1-score de 0.85. En contraste, la CNN base y MobileNet mostraron un desempeño inferior. La incorporación de transfer learning mejoró la estabilidad del entrenamiento y la capacidad de los modelos para identificar patrones visuales asociados a lesiones en hojas, panículas y granos.
Conclusiones: Las arquitecturas ResNet50 y VGG16 demostraron un alto potencial para la clasificación automática de enfermedades del arroz, confirmando la pertinencia del aprendizaje profundo como herramienta de apoyo al diagnóstico fitosanitario. Los resultados sientan bases para el desarrollo de sistemas de monitoreo agrícola y su posible extensión a otros cultivos mediante enfoques similares.
Citas
[1] A. Calderon y H. Hurtado, «Machine learning en la detección de enfermedades en plantas», Tecnol. Investig. Acad., vol. 7, n.º 2, ago. 2020, doi: 10.22430/22565337.1568.
[2] R. Cueto, J. Atencio, y J. Gómez, «Sistema de identificación de enfermedades y plagas en el cultivo de sandía», Rev. Colomb. Tecnol. Av., vol. 2, n.º 42, oct. 2023, doi: 10.24054/rcta.v2i42.2674.
[3] B. Roldán, R. Roshan, y S. Eddy, «Detección de enfermedades en el sector agrícola utilizando Inteligencia Artificial», Res. Comput. Sci., vol. 148, n.º 7, pp. 419–427, 2019.
[4] C. Rubio-Vanegas, «Identificación de anomalías mediante el uso del Machine Learning en imágenes de plantas de lulo», en Encuentro Int. Educ. Ing., vol. 2, n.º 2, pp. 1–20, sep. 2023, doi: 10.26507/paper.3372.
[5] S. Saldaña, «Inteligencia Artificial: Detección de enfermedades en el cultivo de frijol», Rev. Nat. Soc. Ambiente, vol. 10, n.º 1, pp. 53–58, sep. 2023, doi: 10.37533/cunsurori.v10i1.87.
[6] J. Díaz-Rivera et al., «Identificación del estado fitosanitario de árboles mediante aprendizaje automático e imágenes de muy alta resolución espacial», Sci. Agropecu., vol. 15, n.º 2, pp. 177–189, abr. 2024, doi: 10.17268/sci.agropecu.2024.013.
[7] J. Gómez-Camperos, H. Jaramillo, y G. Guerrero-Gómez, «Técnicas de procesamiento digital de imágenes para detección de plagas y enfermedades en cultivos: una revisión», Ing. Compet., vol. 24, n.º 1, art. n.º e10973, ene. 2022, doi: 10.25100/iyc.v24i1.10973.
[8] W. Lozada-Portilla, M. Suarez-Barón, y E. Avendaño-Fernández, «Aplicación de redes neuronales convolucionales para la detección del tizón tardío Phytophthora infestans en papa Solanum tuberosum», Rev. UDCA Actual. Divulg. Cient., vol. 24, n.º 2, nov. 2021, doi: 10.31910/rudca.v24.n2.2021.1917.
[9] O. Flores et al., «Identificación de las principales enfermedades de la planta del café (Coffea arabica) a través de visión artificial», Cienc. Summa, vol. 30, n.º 3, pp. 1–25, 2023.
[10] J. Bhuvana y T. Mirnalinee, «An approach to Plant Disease Detection using Deep Learning Techniques», Iteckne, vol. 18, n.º 2, pp. 161–169, dic. 2021, doi: 10.15332/iteckne.v18i2.2615.
[11] N. Flórez-Zapata y D. Uribe-Vélez, «Determinación de la Infección de Burkholderia glumae en Semillas de Variedades Comerciales Colombianas de Arroz», Rev. Fac. Nac. Agron. Medellín, vol. 64, n.º 2, jul. 2011.
[12] J. García et al., Ciencia de datos. Técnicas analíticas y aprendizaje estadístico. Bogotá, Colombia: Alfaomega, 2018.
[13] S. Timarán-Pereira et al., El proceso de descubrimiento de conocimiento en bases de datos. Bogotá, Colombia: Ediciones Universidad Cooperativa de Colombia, 2016, doi: 10.16925/9789587600490.
[14] L. Joyanes, Inteligencia de negocios y analítica de datos. Una visión global de Business Intelligence & Analytics. México: Alfaomega, 2019.
[15] F. Berzal, Redes Neuronales & Deep Learning. Granada, España: Editorial Independiente, 2018.
[16] European Commission, «Cultivos de arroz resistentes a enfermedades bacterianas», CORDIS, 2024. [En línea]. Disponible en: https://cordis.europa.eu/. [Accedido: 25-jul-2024].
[17] R. Oliva et al., «Broad-spectrum resistance to bacterial blight in rice using genome editing», Nat. Biotechnol., vol. 37, n.º 11, pp. 1344–1350, nov. 2019, doi: 10.1038/s41587-019-0267-z.
[18] N. Francisco-Francisco et al., «Aspectos Fundamentales del Tizón Común Bacteriano (Xanthomonas axonopodis pv. phaseoli): Características, Patogenicidad y Control», Rev. Mex. Fitopatol., vol. 31, n.º 2, pp. 147–160, 2013.
[19] Plantix, «Tizón bacteriano del arroz», 2024. [En línea]. Disponible en: https://plantix.net/. [Accedido: 25-jul-2024].
[20] S. Barrera, «Hallazgo accedería a cultivos de arroz resistentes a enfermedades», Actores Productivos, 2024. [En línea]. Disponible en: https://actoresproductivos.com/. [Accedido: 25-jul-2024].
[21] Amanecer-Rural, «PIRICULARIA, QUEMADO O AÑUBLO DEL ARROZ (Magnaporthe oryzae)», 2024. [En línea]. Disponible en: http://amanecerrural.com.ar/. [Accedido: 25-jul-2024].
[22] Sanidad Vegetal, «Mancha marrón del arroz», Secretaría de Agricultura, México, 2023. [En línea]. Disponible en: https://www.gob.mx/. [Accedido: 25-jul-2024].
[23] Plantix, «Cercosporiosis del Arroz», 2024. [En línea]. Disponible en: https://plantix.net/. [Accedido: 25-jul-2024].
[24] P. Merello, «Manejo integrado del carbón común (Ustilaginoidea virens) en el cultivo de arroz (Oryza sativa L.)», Tesis de Esp., Univ. Técnica de Babahoyo, Ecuador, 2019.
[25] M. Rush, «Falso carbón del arroz», PlantwisePlus Knowl. Bank, vol. 2, n.º 2, feb. 2019, doi: 10.1079/pwkb.20197800055.
[26] M. García y E. Atilio, «Data Augmentation para la Clasificación Automática de la Calidad Vocal», AJEA, vol. 5, n.º 5, oct. 2020, doi: 10.33414/ajea.5.748.2020.
[27] R. Sanchez, C. Meneses, y B. Keith, «Heurísticas para Data-Augmentation en NLP: Aplicación a Revisiones de Artículos Científicos», RISTI, vol. 34, pp. 44–54, oct. 2019.
[28] D. López-Betancur et al., «Comparación de arquitecturas de redes neuronales convolucionales para el diagnóstico de COVID-19», Comput. Sist., vol. 25, n.º 3, pp. 601–615, sep. 2021, doi: 10.13053/cys-25-3-3453.
[29] T. Phan et al., «Q-TRANSFER: A Novel Framework for Efficient Deep Transfer Learning in Networking», en Proc. ICAIIC, Fukuoka, Japón, 2020, pp. 146–151, doi: 10.1109/ICAIIC48513.2020.9065240.
[30] E. Díaz-Gaxiola et al., «Estudio comparativo de arquitecturas de CNNs en hojas de Pimiento Morrón infectadas con virus PHYVV o PEPGMV», Res. Comput. Sci., vol. 148, n.º 7, pp. 289–303, 2019.
[31] E. Moreno-Puig, «Reconocimiento de enfermedades a largo plazo», Trabajo de grado, Univ. de Alicante, España, 2022.
[32] E. Prasetyo, N. Suciati, y C. Fatichah, «Multi-level residual network VGGNet for fish species classification», J. King Saud Univ. - Comput. Inf. Sci., vol. 34, n.º 8, pp. 5286–5295, sep. 2022, doi: 10.1016/j.jksuci.2021.05.015.
[33] Y. Medina, I. Santana, y S. González, «Sistema experto para el diagnóstico de enfermedades y plagas en los cultivos», Rev. Cuba. Cienc. Inf., vol. 14, n.º 2, pp. 1–19, 2020.
[34] J. Facuy-Delgado, W. Molina-Oleas, y L. Ortega-Ponce, «Revisión sistemática de los algoritmos para detección de enfermedades fúngicas en el arroz», MQRInvestigar, vol. 6, n.º 4, pp. 608–620, nov. 2022.
[35] V. Ortiz, «Richard Stanley Lazarus (1922-2002)», Rev. Latinoam. Psicol., vol. 37, n.º 1, pp. 207–209, 2005.
[36] E. Cengıl y A. Çinar, «Multiple Classification of Flower Images Using Transfer Learning», en Proc. IDAP, Malatya, Turquía, 2019, pp. 1–6, doi: 10.1109/IDAP.2019.8875953.
[37] D. Pérez-Aguilar, R. Risco-Ramos, y L. Casaverde-Pacherrez, «Transfer learning en la clasificación binaria de imágenes térmicas», Ingenius, n.º 26, pp. 71–86, 2021, doi: 10.17163/ings.n26.2021.07.
[38] E. Aguirre et al., «Inteligencia artificial para detección y diagnóstico de enfermedades en cultivos de arroz», Congr. Estud. Intel. Artif. Apl. Ing., vol. 2, n.º 2, pp. 10–18, 2022.
[39] B. Ortiz y E. Hernandez, «Análisis de imágenes multiespectrales obtenidas en cultivos de arroz para la determinación de anomalías», Trabajo de grado, Univ. Pontificia Bolivariana, Colombia, 2022.
[40] C. Barrios, «Decisiones más informadas en agricultura con el apoyo de inteligencia artificial», en Agrotech 2024, vol. 2, pp. 1–25, jul. 2024.
[41] M. Sakka et al., «A Review of CNN Applications in Smart Agriculture Using Multimodal Data», Sensors, vol. 25, n.º 2, art. n.º 472, 2025, doi: 10.3390/s25020472.
[42] P. Nevavuori et al., «Crop yield prediction with deep convolutional neural networks», Comput. Electron. Agric., vol. 163, art. n.º 104859, ago. 2019, doi: 10.1016/j.compag.2019.104859.
[43] S. Vijayan y C. L. Chowdhary, «Hybrid feature optimized CNN for rice crop disease prediction», Sci. Rep., vol. 15, n.º 1, p. 7904, mar. 2025, doi: 10.1038/s41598-025-92646-w.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Investigación e Innovación en Ingenierías
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
