Aplicación de técnicas de machine learning para la detección autónoma y eficiente de malezas en cultivos de maíz, 2023

• Autor: Bustos Chavez, Meliza del Pilar
• Formato: tesis de maestría
• Fecha de Publicación: 2025
• Institución: Universidad Nacional Toribio Rodríguez de Mendoza de Amazonas
• Repositorio: UNTRM-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.untrm.edu.pe:20.500.14077/4934
• Enlace del recurso: https://hdl.handle.net/20.500.14077/4934
• Nivel de acceso: acceso abierto
• Materia: Detección de objetos; Maíz, Malezas; Agricultura de precisión; https://purl.org/pe-repo/ocde/ford#4.01.00; https://purl.org/pe-repo/ocde/ford#4.01.01

La visión artificial es un pilar de la inteligencia artificial, capacita a las máquinas para analizar e interpretar imágenes permitiendo la identificación precisa de objetos; el objetivo de la presente investigación fue detectar y localizar malezas en cultivos de maíz empleando modelos basados en deep learning, para ello, se utilizó un dataset público de imágenes anotadas con dos clases: maíz y malezas; se entrenó de forma homogénea las variantes n, s, m, l y x de las familias YOLOv5u, YOLOv8 y YOLOv11; y se evaluó con las métricas de precisión, recall, F1, mAP 0.50 y mAP 0.50 y 0.95, el tiempo de entrenamiento y latencia por imagen, todos los modelos fueron ajustados en pesos base y se compararon sobre el mismo conjunto de evaluación. Los resultados mostraron que YOLOv8x alcanzó el mejor equilibrio entre sensibilidad y localización, con un recall de 0.698, F1 de 0.818, mAP@50 de 0.844 y mAP@50:95 de 0.752, superando a YOLOv5xu (F1 0.790; mAP@50:95 0.729) y a YOLOv11x (F1 0.754; mAP@50:95 0.705); en cuanto a las clases, la clase maíz mostró un desempeño alto y estable en todas las familias, y las malezas fue el factor limitante por la presencia de objetos pequeños y ocluidos, el costo computacional creció con la capacidad del modelo. En conclusión, principal fue adoptar YOLOv8x por su mayor sensibilidad y mejor mAP multiumbral y la validación con imágenes propias de campo, esto confirmó una buena adaptación al dominio, lo que justifica aceptar su mayor latencia.