Luis Aguilar-Ibañez
Luis Aguilar-Ibañez has a total of 7 co-authors. Here are the top co-authors by number of shared publications:
- Elí Wilfredo Zavaleta Aguilar
Institute of Sciences and Engineering of São Paulo State University (UNESP)
2 shared publications - Juan C. Z. Aguilar
Department of Mathematics and Statistics, Universidade Federal de São João del-Rei C.P. 110
2 shared publications - L. Antonio Aguilar
Artificial Intelligent Research, KapAITech Research Group, Condominio Sol de Chan-Chan
2 shared publications - Miguel Ibáñez-Reluz
Hospital Belén de Trujillo. Trujillo, Perú; Escuela de Medicina, Universidad César Vallejo. Trujillo, Perú
2 shared publications - Carlos Granda-Wong
Faculty of Agronomy, National University of Piura, Piura 20002, Peru
1 shared publication - Flabio Gutiérrez Segura
Mathematics Department, Faculty of Science, Universidad Nacional de Piura, Castilla, Piura 20002, Peru
1 shared publication
Latest Publications
- Open Access
- 1 January 2026
- Published by FapUNIFESP (SciELO) in Ciência E Agrotecnologia
- Vol. 50
Early detection of citrus leafminer (Phyllocnistis citrella) in lemon trees (Citrus aurantifolia) using artificial intelligence
The lemon tree (Citrus aurantifolia) is a highly commercial crop in northern Peru and is severely affected by the citrus leafminer pest (Phyllocnistis citrella). Early detection is vital to reduce yield losses caused by this pest. This research evaluated Machine Learning (SVM, KNN, DT, RF) and Deep Learning (CNN) algorithms to identify the presence of the leafminer across three stages of damage severity (Stage 1, Stage 2, Stage 3) and healthy leaves (No leafminer). A dataset of 1,134 field-acquired images was used. The base CNN achieved 85.71% accuracy. Through architectural optimization (adding three convolutional layers with 64, 128, and 256 filters and increasing the dense layer to 256 neurons), the optimized CNN reached 90.95% accuracy after 50 training epochs, outperforming traditional ML algorithms (79.05-84.29%). A benchmark using Google’s Teachable Machine (AutoML) platform achieved 96.86% overall accuracy, with class-specific accuracies of 94% (Stage 1), 96% (Stage 2), 97% (Stage 3), and 100% (No leafminer). Functional web and Android mobile prototypes integrating the optimized CNN model were developed for real-time field detection. These results demonstrate that the proposed architectural modifications yield superior pest detection performance, and that AutoML platforms can provide even higher accuracy, reducing technical barriers for farmers and researchers.
- 1 January 2026
- Published by FapUNIFESP (SciELO) in Ciência E Agrotecnologia
- Vol. 50
Open AccessEarly detection of citrus leafminer (Phyllocnistis citrella) in lemon trees (Citrus aurantifolia) using artificial intelligence
The lemon tree (Citrus aurantifolia) is a highly commercial crop in northern Peru and is severely affected by the citrus leafminer pest (Phyllocnistis citrella). Early detection is vital to reduce yield losses caused by this pest. This research evaluated Machine Learning (SVM, KNN, DT, RF) and Deep Learning (CNN) algorithms to identify the presence of the leafminer across three stages of damage severity (Stage 1, Stage 2, Stage 3) and healthy leaves (No leafminer). A dataset of 1,134 field-acquired images was used. The base CNN achieved 85.71% accuracy. Through architectural optimization (adding three convolutional layers with 64, 128, and 256 filters and increasing the dense layer to 256 neurons), the optimized CNN reached 90.95% accuracy after 50 training epochs, outperforming traditional ML algorithms (79.05-84.29%). A benchmark using Google’s Teachable Machine (AutoML) platform achieved 96.86% overall accuracy, with class-specific accuracies of 94% (Stage 1), 96% (Stage 2), 97% (Stage 3), and 100% (No leafminer). Functional web and Android mobile prototypes integrating the optimized CNN model were developed for real-time field detection. These results demonstrate that the proposed architectural modifications yield superior pest detection performance, and that AutoML platforms can provide even higher accuracy, reducing technical barriers for farmers and researchers.
- 11 September 2021
- Published by Springer Nature
- p. 304-319
A Deep Learning Approach to Forecast SARS-CoV-2 on the Peruvian Coast
- 11 September 2021
- Published by Springer Nature
- p. 304-319
A Deep Learning Approach to Forecast SARS-CoV-2 on the Peruvian Coast
- Open Access
- 30 June 2021
- Published by Universidad Nacional de Trujillo in Selecciones Matemáticas
- Vol. 8 (1) , 12-26
Forecasting SARS-CoV-2 in the peruvian regions: a deep learning approach using temporal convolutional neural networks
La pandemia SARS-CoV-2 ha tomado al mundo por sorpresa desde su descubrimiento en Diciembre del 2019, causando elevadas pérdidas en todo el mundo. En este trabajo, se desarrolló un modelo de aprendizaje profundo para predecir y pronosticar los casos diarios de SARS-CoV-2 en las regiones peruanas. Los datos utilizados pertenecen al conjunto de datos abierto covid-19, proporciondo por el Ministerio de Salud del Perú (MINSA). El conjunto de datos incluye los períodos desde el 03 de Marzo del 2020 hasta el 16 de Marzo del 2021. Se utilizó un enfoque de exclusión, creando datos de entranamiento y validación. Utilizando el conjunto de validación, se desarrolló una red neuronal convolucional temporal (TCN) con cinco capas de profundidad. El modelo se diseño para predecir la tendencia promedio junto con intervalos de predicción. Para encontrar la mejor configuración de hiperparámetros, se aplicó un enfoque bayesiano sobre el conjunto de validación. El modelo TCN se entrenó utilizando la configuración óptima. Una vez entrenado, el modelo fue capaz de predecir las diferentes tendecias de SARS-CoV-2 presentes en las regiones. A continuación, se realizó un pronóstico más allá de los datos disponibles, usando una ventana de 15 dias de adelanto (Marzo 17 a Marzo 31, 2021) para cada región. Resultados del pronóstico sugieren una tendencia sostenida para todas las regiones, con excepción de Lima. La performance del modelo fue evaluada usando las metricas MAE, MAD, MSLE y RMSLE, en el periodo de test, mostrando mejoras de métricas del entrenamiento para la validación del 14.534, 3.123, 0.042, 0.047 respectivamente.
- 30 June 2021
- Published by Universidad Nacional de Trujillo in Selecciones Matemáticas
- Vol. 8 (1) , 12-26
Open AccessForecasting SARS-CoV-2 in the peruvian regions: a deep learning approach using temporal convolutional neural networks
La pandemia SARS-CoV-2 ha tomado al mundo por sorpresa desde su descubrimiento en Diciembre del 2019, causando elevadas pérdidas en todo el mundo. En este trabajo, se desarrolló un modelo de aprendizaje profundo para predecir y pronosticar los casos diarios de SARS-CoV-2 en las regiones peruanas. Los datos utilizados pertenecen al conjunto de datos abierto covid-19, proporciondo por el Ministerio de Salud del Perú (MINSA). El conjunto de datos incluye los períodos desde el 03 de Marzo del 2020 hasta el 16 de Marzo del 2021. Se utilizó un enfoque de exclusión, creando datos de entranamiento y validación. Utilizando el conjunto de validación, se desarrolló una red neuronal convolucional temporal (TCN) con cinco capas de profundidad. El modelo se diseño para predecir la tendencia promedio junto con intervalos de predicción. Para encontrar la mejor configuración de hiperparámetros, se aplicó un enfoque bayesiano sobre el conjunto de validación. El modelo TCN se entrenó utilizando la configuración óptima. Una vez entrenado, el modelo fue capaz de predecir las diferentes tendecias de SARS-CoV-2 presentes en las regiones. A continuación, se realizó un pronóstico más allá de los datos disponibles, usando una ventana de 15 dias de adelanto (Marzo 17 a Marzo 31, 2021) para cada región. Resultados del pronóstico sugieren una tendencia sostenida para todas las regiones, con excepción de Lima. La performance del modelo fue evaluada usando las metricas MAE, MAD, MSLE y RMSLE, en el periodo de test, mostrando mejoras de métricas del entrenamiento para la validación del 14.534, 3.123, 0.042, 0.047 respectivamente.