Machine Learning para la detección de plagas en las hojas del tomate Abancay 2022

• Autor: Huamán Cáceres, Bryanne Robert Junior
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Nacional Micaela Bastidas de Apurímac
• Repositorio: UNAMBA-Institucional
• Lenguaje: español
• OAI Identifier: oai:null:20.500.14195/396
• Enlace del recurso: https://hdl.handle.net/20.500.14195/396
• Nivel de acceso: acceso abierto
• Materia: YOLOv4; Faster R-CNN; Machine learning; Plagas; Tomate; https://purl.org/pe-repo/ocde/ford#1.02.00

El cultivo de tomates es esencial para la alimentación y la economía de los agricultores. Sin embargo, plagas como la "Mosca Blanca" y el "Minador de las Hojas" representan una amenaza significativa para estos cultivos. Por ello, la detección temprana de dichas plagas en las hojas de tomate es crucial para mitigar su impacto económico. La presente investigación tuvo como objetivo “Comprobar la técnica de Machine Learning más eficiente para detectar las plagas en las hojas de los tomates en los cultivos de Abancay, Apurímac, 2022.” Para ello, se recopilaron imágenes utilizando una cámara fotográfica, que se usaron para entrenar dos modelos de Machine Learning: YOLOv4 y Faster R-CNN, los cuales se encargaron de identificar el tipo de plaga presente en las hojas de tomate. En total, se capturaron 1160 imágenes de hojas de tomate en Abancay, Apurímac, tanto afectadas por plagas como sanas. Estas imágenes se distribuyeron aleatoriamente en: 90.26% para entrenamiento con etiquetado de plagas, 5.43% para validación y 4.31% para pruebas. El proceso de etiquetado se realizó mediante LabelImg y Roboflow, mientras que Google Colab con Python se utilizó para el entrenamiento y la validación de los modelos, así como para el proceso de pruebas. Al comparar YOLOv4 y Faster R-CNN en la detección de plagas, Faster R-CNN se destaca en la identificación de la Mosca Blanca, con una precisión del 92% y un F1-Score de 0.96, superando ligeramente a YOLOv4, que obtuvo una precisión del 89% y un F1-Score de 0.94. No obstante, en la detección del Minador de Hojas, YOLOv4 muestra mejor desempeño, con una precisión del 83% y un F1-Score de 0.86, frente a la precisión del 81% y un F1-Score de 0.83 de Faster R-CNN. A nivel global, considerando la media armónica del F1-Score para ambas plagas, YOLOv4 alcanza un valor de 0.90, superando el 0.89 de Faster R-CNN, lo que demuestra un rendimiento más equilibrado en la detección de ambas plagas.Por tanto, se concluye que YOLOv4 es el modelo más eficiente para la detección de plagas en hojas de tomate en el contexto general de esta investigación, gracias a su balance óptimo entre precisión y exhaustividad en ambas clases de plagas, lo que lo posiciona como la opción preferida para un desempeño global robusto. No obstante, Faster R-CNN sigue siendo una opción destacada cuando se prioriza la máxima precisión y la minimización de errores.