Redes neuronales convolucionales para la detección y control de plagas en cultivos agrícolas de café, Piura 2025

• Autor: Huancas Peña, Gean Carlos
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Cesar Vallejo
• Repositorio: UCV-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.ucv.edu.pe:20.500.12692/176487
• Enlace del recurso: https://hdl.handle.net/20.500.12692/176487
• Nivel de acceso: acceso abierto
• Materia: Redes Neuronales Convolucionales; Agricultura; Plagas Agrícolas; Conjunto de Datos; Café; https://purl.org/pe-repo/ocde/ford#2.02.04

La presente investigación contribuye al Objetivo de Desarrollo Sostenible (ODS) N.º 2: Hambre Cero, al aplicar tecnologías emergentes para mejorar la detección temprana de plagas en cultivos agrícolas y fortalecer la seguridad alimentaria en zonas rurales. El objetivo general fue evaluar el nivel de eficacia de las redes neuronales convolucionales (CNN) en la detección y control de plagas en cultivos de café, con énfasis en escenarios agrícolas de la sierra piurana. El enfoque fue cuantitativo y se emplearon técnicas de aprendizaje profundo, recolección de imágenes en campo y data augmentation para robustecer el modelo. Los resultados evidenciaron una precisión del 100% en la clasificación de hojas sanas e infectadas, una sensibilidad del 86.67% frente a plagas similares, una consistencia del 81.05% en diversas condiciones ambientales y una capacidad de alerta temprana del 78.26%, logrando un nivel general de eficacia del 86.50%. Se concluye que el modelo CNN desarrollado es una herramienta efectiva, adaptable y viable económicamente, ya que puede entrenarse con imágenes reales sin necesidad de entornos controlados. Esto lo convierte en una solución prometedora para apoyar una agricultura más precisa, sostenible y eficiente.