El estudio tuvo como objetivo desarrollar un método basado en imágenes RGB y aprendizaje automático para identificar zonas infectadas por la plaga Sogata en cultivos de arroz, una amenaza significativa para la producción agrícola. Para ello, se recopiló 1500 imágenes de cultivos afectados y no afectados de la región Lambayeque y Pacanguilla, con ayuda de un dron equipo con cámara RGB de alta resolución. Los datos fueron pre procesados mediante técnicas avanzadas para optimizar su calidad y se entrenaron modelos de clasificación, incluyendo como Visual Geometry Group 16 (VGG16) y redes neuronales residuales 50 (ResNet50). El modelo VGG16 mostró el mejor desempeño, alcanzando una precisión del 98.274%, gracias a su capacidad para extraer características visuales complejas y diferenciarlas de manera eficiente. La metodología permitió identificar patrones específicos asoci...

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...