Modelos de aprendizaje automático para la clasificación de enfermedades de la Solanum tuberosum: Una Revisión Sistemática de la Literatura

Autores/as

  • Joel Saul Moreno Mayhuire Universidad Nacional Mayor de San Marcos, Lima, Perú https://orcid.org/0009-0008-0998-4890
  • José Alfredo Herrera Quispe Universidad Nacional Mayor de San Marcos, Lima, Perú

DOI:

https://doi.org/10.15381/risi.v16i2.25980

Palabras clave:

Solanum tuberosum, aprendizaje automático, clasificación, inteligencia artificial

Resumen

Las enfermedades de la Solanum tubersoum consideradas como uno de los factores muy importantes en su producción, influyen en la calidad de los productos finales y también en el mercado de estos productos. Actualmente los procesos de clasificación están tomando bastante interés en la agricultura a nivel global, al igual que los análisis de los diferentes defectos que presenta la Solanum tuberosum. Por ello los investigadores están desarrollando nuevos algoritmos para la detección de enfermedades utilizando tecnologías de inteligencia artificial, con el fin de optimizar la detección de enfermedades o defectos. En este trabajo se presenta un análisis de las investigaciones acerca de la construcción de modelos de aprendizaje automático para la clasificación de enfermedades de la Solanum tuberosum, además revisar qué enfermedades son los más comunes e impactantes de este producto y determinar cuál de los modelos entrenados son los más eficientes en la clasificación de enfermedades de este producto y ayudar a los investigadores en el futuro construir sistemas de detección y clasificación automática de las enfermedades y defectos de la Solanum tuberosum.

Descargas

Los datos de descarga aún no están disponibles.

Descargas

Publicado

2023-12-30

Número

Sección

Artículos de Investigaciones Originales

Cómo citar

[1]
“Modelos de aprendizaje automático para la clasificación de enfermedades de la Solanum tuberosum: Una Revisión Sistemática de la Literatura”, Rev.Investig.sist.inform., vol. 16, no. 2, pp. 129–137, Dec. 2023, doi: 10.15381/risi.v16i2.25980.