Estimación de la Gravedad en Enfermedades en los Cultivos del Aguacate Basado en Imágenes Mediante Redes Neuronales Convolucionales

• Autor: Lloclli Champi, Julio Cesar
• Formato: tesis de maestría
• Fecha de Publicación: 2025
• Institución: Universidad Peruana Unión
• Repositorio: UPEU-Tesis
• Lenguaje: español
• OAI Identifier: oai:repositorio.upeu.edu.pe:20.500.12840/8512
• Enlace del recurso: https://hdl.handle.net/20.500.12840/8512
• Nivel de acceso: acceso abierto
• Materia: Aprendizaje profundo redes neuronales convolucionales CNN; Antrocnosis; Ácarrocristalino; Araña Marrón; Enfermedades del aguacate; http://purl.org/pe-repo/ocde/ford#1.01.03

La agricultura desempeña un papel vital, importante en el desarrollo y el crecimiento económico mundial. Cuando los cultivos se ven afectados por enfermedades repercute negativamente en los recursos económicos mediante la producción agrícola de una nación. La detección temprana de estas enfermedades puede minimizar la pérdida de los agricultores y mejorar la producción. En este estudio, proponemos dos modelos existentes como son Redes Neuronales Convolucionales (CNN) y ResNet18 ambas de aprendizaje profunda, diseñado para predecir automáticamente las enfermedades de las hojas del aguacate Has, el marco de trabajo abarca la recopilación de imágenes, selección de imágenes, clasificación de enfermedades. Empleando un enfoque combinando dos modelos bien establecidos (CNN, ResNet18) para generar clasificaciones, en enfoque aprovecha el concepto de visión por computadora para la predicción final, para entrenar y evaluar, generamos un conjunto de datos a través de las hojas del aguacate utilizando una cámara fotográfica canon de 16 megapíxeles: las cuales conforman de Ácarro Cristalino, Antrocnosis, Araña Marrón y hojas sanas, conformando imágenes de hojas de aguacate de 1300 imágenes de cada clase, se realizó data aumentación de 35%. Para entrenar y evaluar ResNet18 alcanzando una precisión global del 94.14%, y una F1-score del 94.33% se llevó a cabo un estudio de validación exhaustivo con el conjunto de datos de aguacate (4 clases), respectivamente. Estos resultados experimentales confirman que proporciona una detección y predicción más eficaz y precisa de las enfermedades del aguacate, lo que lo convierte en un candidato prometedor para aplicaciones prácticas.