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.