Sistema de detección del tizón tardío en plantaciones de papas del Perú utilizando machine learning

• Autores: Montenegro Peltroche, Mark Andy, Guerrero Vera, Jhonatan Rodrigo
• Formato: tesis de grado
• Fecha de Publicación: 2026
• Institución: Universidad Señor de Sipan
• Repositorio: USS-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.uss.edu.pe:20.500.12802/17308
• Enlace del recurso: https://hdl.handle.net/20.500.12802/17308
• Nivel de acceso: acceso abierto
• Materia: Detección; Procesamiento de imágenes; Algoritmos de aprendizaje automático; Eficiencia; Tizón tardío; Phytophthora infestans; https://purl.org/pe-repo/ocde/ford#2.02.04

La papa, un cultivo esencial a nivel mundial, enfrenta desafíos significativos, destacándose el tizón tardío como una amenaza crucial en Perú. El cambio climático añade incertidumbre a la producción global de papas. Frente a esto, la tecnología, incluyendo el aprendizaje automático y el procesamiento de imágenes, se posiciona como aliada esencial. Estudios científicos se centran en combatir el tizón tardío, explorando resistencia natural, estrategias agrotécnicas y químicas, y enfoques innovadores, como el uso de componentes orgánicos volátiles. En la detección temprana, el aprendizaje automático y el procesamiento de imágenes se revelan como herramientas poderosas, aplicando modelos de redes neuronales convolucionales y algoritmos de aprendizaje automático con éxito. La evaluación comparativa destaca a CNN, ResNet-9 y Yolo V5 por su rendimiento en métricas clave. La elección entre ellos depende de factores como eficiencia computacional y recursos requeridos. En la implementación, se utilizan arquitecturas específicas como CNN, ResNet-9 y Yolo V5, revelando que Yolo V5 ofrece un equilibrio entre precisión y eficiencia de memoria. El rendimiento computacional muestra variaciones significativas, donde el tiempo de ejecución, el consumo de RAM y CPU son consideraciones cruciales. En conclusión, la detección temprana y precisa del tizón tardío es esencial, y la implementación de tecnologías avanzadas ofrece soluciones prometedoras, aunque persisten desafíos como la calidad de datos y la implementación en el campo.