El arroz es un cultivo de gran importancia a nivel mundial, pero su producción se ve amenazada por diversas enfermedades que afectan el rendimiento y calidad del grano. En este contexto, la presente investigación realizó una revisión sistemática de las técnicas de Machine Learning aplicadas en la detección de enfermedades en cultivos de arroz. Se empleó la metodología Prisma para la selección de estudios relevantes y se compararon diferentes modelos de aprendizaje profundo y tradicional. Los resultados evidenciaron que las redes neuronales convolucionales (CNN), especialmente aquellas con Transfer Learning, presentaron los mejores desempeños en términos de precisión y exactitud. También, se identificó que la integración de datos multiespectrales y térmicos pueden mejorar la capacidad de detección. La discusión analizó la coherencia de estos hallazgos con la literatura...

La presente investigación tuvo como objetivo principal desarrollar un sistema para la detección y recuento de frutos de algodón en etapa de maduración ("mota") en los cultivos de la región Lambayeque, utilizando redes neuronales convolucionales. Para ello, se elaboró un dataset con 370 imágenes de alta calidad, etiquetadas manualmente y aumentadas mediante técnicas de preprocesamiento. Los algoritmos seleccionados fueron YOLOv8n, YOLOv8x y Faster R-CNN, entrenados y evaluados con métricas específicas para asegurar su efectividad en entornos agrícolas reales. Los resultados obtenidos demostraron que YOLOv8x alcanzó un rendimiento destacado, con una precisión del 99.81%, una Recall de 99.54% y F1-score de 99.68%; mientras que, Yolov8n obtuvo un desempeño competitivo con una precisión del 98.80%, una Recall de 97.40% y F1-score de 98.10%; y Faster R-CNN alcanzó métricas des...