Uso de Machine Learning en la detección de enfermedades en plantas de maíz mediante imágenes: revisión sistemática

• Autores: Diaz Larios, Jose Manuel, Luna Flores, Percy Alexander
• 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:20.500.12802/17054
• Enlace del recurso: https://hdl.handle.net/20.500.12802/17054
• Nivel de acceso: acceso abierto
• Materia: Machine learning; Deep learning; Zea mays; Procesamiento de imágenes; Agricultura de precisión; https://purl.org/pe-repo/ocde/ford#2.02.04

La detección temprana de enfermedades en el cultivo de maíz es fundamental para garantizar la seguridad alimentaria y reducir pérdidas económicas. El presente estudio tuvo como objetivo analizar el uso de técnicas de Machine Learning en la detección de enfermedades en plantas de maíz mediante imágenes, a través de una revisión sistemática guiada por la declaración PRISMA 2020. Para ello, se seleccionaron y analizaron 40 artículos originales provenientes de las bases de datos Scopus y Web of Science, publicados entre los años 2015 y 2024. Los resultados revelaron un crecimiento exponencial en la producción científica a partir de 2021, identificando al Deep Learning y las Redes Neuronales Convolucionales (CNN) como los enfoques metodológicos predominantes y más eficaces. Asimismo, se observó una tendencia emergente hacia el uso de arquitecturas avanzadas como Vision Transformers y modelos de detección en tiempo real como YOLO. Se concluye que la inteligencia artificial ha alcanzado una madurez técnica significativa para el diagnóstico agrícola automatizado; sin embargo, se evidencia la necesidad de validar estos modelos en condiciones de campo reales y ampliar la diversidad de los conjuntos de datos para asegurar su aplicabilidad práctica y escalabilidad.