Detección de enfermedades en el cultivo de papa mediante el uso de Machine Learning en Abancay, 2022

• Autor: Alvarez Vargas, Nelida Alicia
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Nacional Micaela Bastidas de Apurímac
• Repositorio: UNAMBA-Institucional
• Lenguaje: español
• OAI Identifier: oai:null:20.500.14195/395
• Enlace del recurso: https://hdl.handle.net/20.500.14195/395
• Nivel de acceso: acceso abierto
• Materia: Enfermedades en el cultivo de la papa; Machine learning; Faster R – CNN; YOLO V4; https://purl.org/pe-repo/ocde/ford#1.02.00

El Perú es un país con una gran diversidad de tipos de papa y es, uno de los principales cultivos agrícolas que sustenta la alimentación de las personas, enfrenta pérdidas en la producción de este cultivo clave debido a enfermedades como el tizón tardío y el pie negro entre otras; lo cual genera una gran pérdida en su producción y, conlleva a un déficit económico para el agricultor. La presente investigación se desarrolló con el objetivo de lograr la detección temprana de enfermedades de pudrición blanda y tizón tardío en el cultivo de la papa, a través del uso de técnicas de Machine Learning y para determinar la eficiencia de la clasificación se utilizaron los modelos de Faster R- CNN y YOLO V4. El procedimiento para esta investigación consistió en recolectar un total de 1011 imágenes de hojas de papa, tanto sanas como enfermas, en la localidad de Abancay, Apurímac. Estas imágenes se dividieron aleatoriamente para realizar el entrenamiento, la validación y las pruebas. Luego, se llevó a cabo el etiquetado de las imágenes utilizando la herramienta LabelImg y Roboflow. Posteriormente, se empleó la herramienta Google Colab con lenguaje de programación Python para realizar el entrenamiento, con cada uno de los modelos, seguido de las validaciones y, finalmente, realizar las pruebas. Los resultados obtenidos revelan que, Faster R-CNN demostró un rendimiento sólido en la detección de Pie Negro, alcanzando una precision, recall, F-value y accuracy del 100%. En el caso de la detección de Rancha, aunque los valores fueron ligeramente más bajos, aún mostró una precision del 98%, un recall del 79%, un F-value del 87% y un accuracy del 78%. Por otro lado, YOLO V4 también sobresalió en la detección de Pie Negro, logrando una precision, recall, F-value y accuracy del 100%. En cuanto a la detección de Rancha, los valores experimentaron una variación mínima, obteniendo un precision del 97%, un recall del 90%, un F-value del 93% y un accuracy del 87%. Finalmente podemos concluir que YOLO V4 destaca en la detección de ambas enfermedades en hojas de papa en la región de Abancay, Apurímac.