IDENTIFICACIÓN DE PROBLEMAS FITOSANITARIOS EN EL CULTIVO DE FRESA POR MEDIO DE REDES NEURONALES CONVOLUCIONALES HÍBRIDAS
Open Access
- 9 October 2025
- journal article
- Published by Sociedad Mexicana de Fitogenetica A.C in Revista Fitotecnia Mexicana
- Vol. 48 (3) , 303
Abstract
La aplicación de nuevas tecnologías para diagnóstico oportuno de problemas fitosanitarios contribuye a mejorar el manejo de los cultivos agrícolas; en particular, los métodos de inteligencia artificial y visión por computadora facilitan el reconocimiento de enfermedades en cultivos de forma automática y confiable. En esta investigación se implementaron dos arquitecturas de redes neuronales convolucionales (CNN) híbridas para identificar 10 clases objetivo: tres enfermedades en frutos de fresa, antracnosis (Colletotrichum spp.), cenicilla (Sphaerotheca macularis) y moho gris (Botrytis cinerea); cuatro enfermedades en hojas de fresa, mancha angular (Xanthomonas fragariae), viruela (Ramularia tulasnei), cenicilla (Sphaerotheca macularis) y quemadura de la hoja (Diplocarpon earlianum); deficiencia nutricional de calcio en hojas de fresa, hojas sanas y frutos sanos. En la primera etapa se entrenó el modelo CNN con transferencia de aprendizaje MobileNetv2 (CNN-M) a partir de un conjunto de imágenes digitales RGB para extraer en forma automática un total de 62,720 características, a las cuales se aplicó un análisis de componentes principales. En la segunda etapa, las características transformadas en la última capa de neuronas del modelo CNN-M se utilizaron como entradas para optimizar los modelos de aprendizaje bosque aleatorio (RF) y máquina de soporte vectorial (SVM) y predecir las 10 clases objetivo. Los modelos CNN híbridos alcanzaron una precisión global de clasificación (ACC) superior a 97 %. CNN-M-SVM superó ligeramente a CNN-M-RF con un puntaje promedio F1macro de 97.6 % y ACC de 98.9 %. Los resultados muestran el alto potencial de los modelos convolucionales híbridos con transferencia de aprendizaje para desarrollar herramientas de identificación automática de enfermedades en cultivos de interés agrícola.Keywords
This publication has 15 references indexed in Scilit:
- Deep Learning-Driven Diagnosis A CNN-SVM Hybrid Approach for Automated Detection of Strawberry Leaf Diseases2024
- SDD: Strawberry Disease Detection Framework Based on Computer Vision Neural Networks2024
- An Improved Lightweight YOLOv5 Algorithm for Detecting Strawberry DiseasesIEEE Access, 2023
- RF-CNN-F: random forest with convolutional neural network features for coronary artery disease diagnosis based on cardiac magnetic resonanceScientific Reports, 2022
- Tipburn disorder detection in strawberry leaves using convolutional neural networks and particle swarm optimizationMultimedia Tools and Applications, 2022
- Improved Vision-Based Detection of Strawberry Diseases Using a Deep Neural NetworkFrontiers in Plant Science, 2021
- MobileNetV2 Model for Image Classification2020
- Building Machine Learning and Deep Learning Models on Google Cloud Platform2019
- MobileNetV2: Inverted Residuals and Linear Bottlenecks2018
- ImageNet: A large-scale hierarchical image database2009