Explicabilidad de un modelo de deep learning para la clasificación de enfermedades en la hoja del tomate

• Autor: Bocanegra Deza, Mario Eduardo
• Formato: tesis de maestría
• Fecha de Publicación: 2025
• Institución: Universidad Ricardo Palma
• Repositorio: URP-Tesis
• Lenguaje: español
• OAI Identifier: oai:repositorio.urp.edu.pe:20.500.14138/9410
• Enlace del recurso: https://hdl.handle.net/20.500.14138/9410
• Nivel de acceso: acceso abierto
• Materia: Tomates -- Enfermedades y plagas; Inteligencia artificial; Aprendizaje profundo (Aprendizaje automático); Redes neuronales (Computación); Análisis de imágenes; https://purl.org/pe-repo/ocde/ford#1.02.00

La presente investigación tiene como principal objetivo explicar, mediante técnicas de explicabilidad, las predicciones obtenidas por el clasificador de imágenes de un modelo aprendizaje profundo que identifica enfermedades en la hoja del tomate. El estudio aborda un problema crítico en la agricultura, ya que el diagnóstico visual de enfermedades en cultivos realizado por personas es subjetivo, requiere experiencia y no es viable a gran escala. La Inteligencia Artificial (IA), específicamente las Redes Neuronales Convolucionales (CNN), han demostrado ser herramientas eficientes para la el análisis y procesamiento de imágenes; sin embargo, son considerados modelos de “caja negra”, debido a su inherente complejidad matemática que los hacen difíciles de entender. Por ello, en el presente trabajo de investigación se implementaron técnicas avanzadas de explicabilidad como Gradient-weighted Class Activation Mapping (Grade-CAM), Local Interpretable Model-agnostic Explanations (LIME), Layer-wise Relevance Propagation (LRP) y SHapley Additive exPlanations (SHAP) para comprender e interpretar las predicciones del modelo de manera sencilla. La metodología utilizada para construir y evaluar los modelos de deep learning fue Cross- Industry Standard Process for Data Mining (CRISP-DM), para lo cual se utilizaron las imágenes (fotos) de la hoja del tomate, agrupadas en cuatro categorías: hojas sana, tizón tardío, mancha bacteriana y mancha de hoja. Además, se aplicaron técnicas de preprocesamiento y aumento de datos para optimizar el proceso de entrenamiento. Se construyo un modelo de CNN base, el cual obtuvo una precisión de 76.3%. Luego, se utilizaron varias CNN preentrenadas, para finalmente obtener el mejor modelo. El mejor modelo fue GoogLeNet que obtuvo una precisión de 94.3%; el modelo InceptionV3 obtuvo una precisión de 84.1%, y el modelo ResNet101 que obtuvo una precisión de 98.5%. Para evaluar las métricas de rendimiento se utilizaron la precisión, confiabilidad y robustez. Asimismo, se utilizaron técnicas de explicabilidad para interpretar las predicciones a través de la identificación de regiones clave en las imágenes que el clasificador del modelo utiliza para predecir las enfermedades de la hoja del tomate. Finalmente, la implementación de los modelos de deep learning junto con las técnicas de explicabilidad dieron una solución efectiva para la detección temprana de enfermedades en cultivos de tomate, y este enfoque se puede utilizar también en otros tipos de cultivos, beneficiando a los agricultores con herramientas de inteligencia artificial accesibles y precisas