Clasificación de enfermedades en cultivos de arroz mediante Deep Learning: Una revisión sistemática

• Autores: Gamonal Diaz, Jean Pierre, Romero Lizano, Deyvi Jhair
• 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:20.500.12802/14635
• Enlace del recurso: https://hdl.handle.net/20.500.12802/14635
• Nivel de acceso: acceso abierto
• Materia: Arroz; Enfermedades; Aprendizaje profundo; Clasificación; Agricultura de precisión; https://purl.org/pe-repo/ocde/ford#2.02.04

El presente trabajo aborda la importancia de la detección y clasificación de enfermedades en el arroz, uno de los cultivos más relevantes a nivel mundial. El objetivo radica en identificar las arquitecturas de aprendizaje profundo más utilizadas y con mejor desempeño para clasificar afecciones como el tizón bacteriano, la mancha marrón y el Tungro. El método consistió en la revisión de artículos científicos publicados en los últimos cinco años, aplicando criterios de inclusión y exclusión basados en la metodología PRISMA. Las investigaciones analizadas evidencian que las redes neuronales convolucionales (CNN), combinadas con transferencia de aprendizaje, logran altos niveles de precisión al superar el 90% en los casos. Sin embargo, la heterogeneidad de conjuntos de datos dificulta comparar resultados, pues varios autores emplean bases propias o fusionan imágenes de distintas fuentes. Pese a ello, se concluye que el uso de Deep Learning en la clasificación de enfermedades del arroz es prometedor para la agricultura de precisión al optimizar la detección temprana y las decisiones de manejo integral. Se sugiere un mayor esfuerzo colaborativo entre ingenieros y agrónomos para unificar criterios, crear repositorios de datos compartidos y perfeccionar los modelos, con el propósito de robustecer la confiabilidad de los modelos y favorecer su integración tecnológica ya que podría disminuir significativamente las pérdidas en cultivos, fortaleciendo la sostenibilidad y resiliencia alimentaria.