Segmentación semántica para la detección de plagas en hojas de banano orgánico

• Autor: García Camacho, Pierina
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad de Piura
• Repositorio: UDEP-Institucional
• Lenguaje: español
• OAI Identifier: oai:pirhua.udep.edu.pe:11042/7459
• Enlace del recurso: https://hdl.handle.net/11042/7459
• Nivel de acceso: acceso abierto
• Materia: Banano -- Enfermedades y plagas -- Control automático -- Investigaciones; Procesamiento de imágenes -- Técnicas digitales; Inteligencia artificial -- Aplicación -- Agricultura -- Investigaciones; 634.773; https://purl.org/pe-repo/ocde/ford#2.02.02

La tesis tiene como objetivo principal el desarrollo y evaluación de modelos de segmentación semántica para la detección automática de tres enfermedades foliares que afectan el cultivo de banano: Cordana, Sigatoka y Pestalotiopsis. Estas enfermedades constituyen una amenaza significativa para la producción agrícola en regiones tropicales, debido a la rápida propagación y a la dificultad de su detección temprana mediante métodos convencionales. En este contexto, la implementación de técnicas basadas en inteligencia artificial, y en particular visión por computador, ofrece una alternativa eficiente y escalable para apoyar la toma de decisiones en la agricultura. El problema abordado se centra en la necesidad de automatizar el proceso de identificación de plagas en hojas de banano, actualmente dependiente de inspecciones manuales que son subjetivas, lentas y poco escalables. Para ello, se propuso el uso de modelos de segmentación semántica entrenados con imágenes etiquetadas, con el fin de generar mapas de segmentación que permitan distinguir visualmente las áreas afectadas por cada tipo de enfermedad. La metodología consistió en la anotación de un conjunto de 1200 imágenes de hojas de banano de un conjunto de datos público, distribuidas equitativamente entre las tres clases de plagas. Estas imágenes fueron procesadas y utilizadas para entrenar dos arquitecturas de segmentación: U-Net, una red convolucional ampliamente utilizada en entornos médicos y agrícolas, y SegFormer, una arquitectura más reciente basada en mecanismos de atención. Para cada modelo, se evaluaron 16 configuraciones distintas variando hiperparámetros clave, como la profundidad (en U-Net) o el tipo de encoder (en SegFormer), así como el porcentaje de dropout. Los modelos fueron entrenados localmente utilizando una GPU NVIDIA RTX 4070 Ti Super OC con 16 GB de memoria, lo que permitió medir también su eficiencia computacional en términos de tiempo por época y número de parámetros. Además, se llevaron a cabo experimentos complementarios, incrementando la proporción de datos de entrenamiento y aplicando Weight Decay como técnica de regularización. En conclusión, tanto U-Net como SegFormer son arquitecturas viables para el diagnóstico automatizado de plagas en cultivos de banano. Este estudio demuestra el potencial de la inteligencia artificial en la agricultura de precisión y sienta las bases para futuras aplicaciones prácticas en campo.