Revisión sistemática sobre el uso de aprendizaje profundo para la detección de enfermedades en plantas de arroz

• Autor: Gomez Cachay, Sarahi Brigitte
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Señor de Sipan
• Repositorio: USS-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.uss.edu.pe:20.500.12802/14640
• Enlace del recurso: https://hdl.handle.net/20.500.12802/14640
• Nivel de acceso: acceso abierto
• Materia: Aprendizaje profundo; Enfermedades de arroz; Procesamiento de imágenes; Precisión; Revisión sistemática; https://purl.org/pe-repo/ocde/ford#2.02.04

Queda evidenciado que las enfermedades en plantas de arroz producen un impacto de riesgo para la seguridad alimentaria y pueden causar pérdidas de hasta el 80% de la producción manteniendo un amplio porcentaje de perdidas. Refiriéndonos a los métodos tradicionales de detección, estos siguen siendo lerdos y poco precisos, generando dificultades en el establecimiento de normativas protectoras. Materiales y Métodos: Se llevo a cabo la revisión sistemática referente a la literatura mediante el uso de la metodología PRISMA, tomando 30 artículos los cuales han sido publicados entres los años 2020 y 2025 con base de datos relacionadas a IEEE Xplore, ScienceDirect, Scopus, EBSCO. Así mismo se analizaron diversos modelos de aprendizaje profundo relacionados a CNN,VGG, ResNet y YOLO, calculando métricas de precisión. Resultados: Los resultados muestran que los modelos como CNN, ResNet, MobileNet y VGG han demostrado alta precisión en la detección de enfermedades del arroz. Como las arquitecturas basadas en ResNet50 lograron precisiones al 99%, validando su eficacia para determinar patrones complejos en imágenes. Igual manera, técnicas como ResNet han demostrado un desempeño excelente en la detección de múltiples enfermedades en tiempo real, facilitando su implementación en campo con dispositivos móviles. Conclusiones: Las técnicas de aprendizaje profundo para detectar tempranamente las enfermedades en arroz son prometedoras y permiten la detección de estas, mediante veloces y precisos diagnósticos. Mejorar el preprocesamiento de imágenes y explorar arquitecturas más livianas permitirían que estas resoluciones tengan mayor accesibilidad, generando mayor productividad y sostenibilidad del cultivo.