Aplicación Web Basada en Aprendizaje Profundo para la Clasificación Multiclase de Enfermedades Foliares en Cultivos Agrícolas

Resumen

Las enfermedades foliares constituyen uno de los principales factores que limitan la productividad agrícola al reducir la calidad y el rendimiento de los cultivos. Los métodos tradicionales de identificación, basados en inspección visual, son costosos, lentos y susceptibles a errores humanos, lo que motiva la búsqueda de soluciones automatizadas. El estudio tiene como objetivo desarrollar una aplicación web basada en aprendizaje profundo para la clasificación multiclase de enfermedades foliares en cultivos de manzano, maíz, pimiento, papa y tomate. Para ello, se empleó la técnica de aprendizaje por transferencia con ajuste fino, utilizando arquitecturas de redes neuronales convolucionales preentrenadas y entrenando modelos con un conjunto de 35 725 imágenes distribuidas en 23 clases. Entre las arquitecturas evaluadas, Xception obtuvo el mejor desempeño con una exactitud del 98.1 % y un puntaje F1 macro del 97.6 %. Este modelo fue integrado en una aplicación web estructurada en una arquitectura por capas basada en el modelo cliente-servidor, en la cual se realizaron pruebas con imágenes propias que confirmaron su validez práctica y evidenciaron tiempos de inferencia inferiores a 0.1 segundos por imagen. Los resultados demuestran que la propuesta constituye una herramienta de apoyo para la toma de decisiones en el manejo de cultivos.