Diagnóstico de enfermedades en hojas de soja mediante redes neuronales convolucionales y visión artificial

Abstract

La detección temprana de enfermedades en cultivos de soja es esencial para reducir las pérdidas en la producción y optimizar la gestión agrícola. Este estudio desarrolla un sistema de diagnóstico automatizado de enfermedades en hojas de soja, basado en redes neuronales convolucionales (CNN) y técnicas de visión artificial. El sistema se enfoca específicamente en identificar tres enfermedades críticas: el Síndrome de Muerte Súbita, la Mancha Bacteriana y la Mancha Marrón, las cuales pueden causar disminuciones significativas en el rendimiento si no se gestionan a tiempo. El modelo se construyó utilizando un conjunto de datos de imágenes de hojas de soja afectadas por estas enfermedades. Se aplicaron técnicas de preprocesamiento, como la aumentación de datos y la normalización, para mejorar el rendimiento del algoritmo CNN, reducir el sobreajuste y mejorar la generalización del modelo. La arquitectura de la red neuronal fue optimizada mediante experimentación iterativa, utilizando métricas de precisión, sensibilidad y especificidad para su evaluación. Tras el entrenamiento, el modelo logró una alta precisión en la identificación de las enfermedades, con un rendimiento promedio del 78 %. Este estudio presenta una API de reconocimiento automático basada en este modelo CNN, que permite una integración fluida con aplicaciones móviles o plataformas web. Diseñada para ser eficiente y escalable, la API utiliza una arquitectura RESTful, permitiendo la captura de imágenes en tiempo real y el diagnóstico de enfermedades para usuarios, incluidos productores agrícolas y técnicos en campo. Los hallazgos contribuyen al avance de las aplicaciones de inteligencia artificial en la agricultura y demuestran el potencial de la visión artificial como una solución práctica y rentable para la gestión de enfermedades en cultivos.