Modelo de visión artificial basada en redes neuronales convolucionales para identificación de mazorca negra en plantaciones de cacao

Abstract

Modelo de visión artificial basada en redes neuronales convolucionales para identificación de mazorca negra en plantaciones de cacao La identificación y diagnóstico de la enfermedad de la mazorca negra en las plantaciones de cacao es uno de los principales problemas que enfrenta el sector agrícola, esta afección causa pérdidas en el rendimiento y calidad del grano, y se suma a la falta de métodos sofisticados para detectarla en etapas tempranas. El presente trabajo de investigación tiene como objetivo mejorar la detección de esta enfermedad mediante el desarrollo de modelos de visión artificial basados en redes neuronales convolucionales (CNN). Para ello, se recopilaron y etiquetaron un total de 1982 imágenes de mazorcas afectadas, obtenidas de cinco parcelas ubicadas en el sector Shitarillo, distrito de Alto Saposoa, provincia de Huallaga, San Martín. El periodo de ejecución del proyecto comprendió la recolección de datos y el desarrollo de los modelos durante un lapso de 9 meses. Se construyeron tres modelos principales utilizando las arquitecturas YOLOv8, InceptionV3 y VGG19, aplicando técnicas de transferencia de aprendizaje para mejorar la precisión en la clasificación. Los modelos fueron entrenados y evaluados con un diseño experimental factorial, empleando un 70% de las imágenes para entrenamiento, 20% para validación y 10% para pruebas. Los resultados indicaron que los modelos YOLOv8 e InceptionV3 lograron una precisión promedio del 79% en la detección de la mazorca negra, superando significativamente al modelo VGG19. Las métricas de evaluación como precisión, exactitud, F1, recall, Kappa de Cohen y área bajo la curva ROC confirmaron la eficacia de YOLOv8 e InceptionV3. La prueba ANOVA y la prueba de Tukey revelaron que VGG19 tuvo un rendimiento significativamente inferior, mientras que no se encontraron diferencias significativas entre YOLOv8 e InceptionV3. Esto demuestra que ambos modelos son adecuados para la implementación en sistemas de detección temprana de enfermedades en plantaciones de cacao, con YOLOv8 siendo ligeramente superior en cuanto a robustez y exactitud.

Computer vision model based on convolutional neural networks for black pod disease identification in cocoa plantations.

The identification and diagnosis of black pod disease in cocoa plantations is one of the main problems faced by the agricultural sector, this condition causes losses in the yield and quality of the bean, and adds to the lack of sophisticated methods to detect it in early stages. The present research work aims to improve the detection of this disease by developing computer vision models based on convolutional neural networks (CNN). For this purpose, a total of 1982 images of affected pods, obtained from five plots located in the Shitarillo sector, Alto Saposoa district, Huallaga province, San Martin, were collected and labeled. The project period included data collection and model development over a period of 9 months. Three main models were built using YOLOv8, InceptionV3 and VGG19 architectures, applying transfer learning techniques to improve classification accuracy. The models were trained and evaluated with a factorial experimental design, using 70% of the images for training, 20% for validation and 10% for testing. The results indicated that the YOLOv8 and InceptionV3 models achieved an average accuracy of 79% in black cob detection, significantly outperforming the VGG19 model. Evaluation metrics such as precision, accuracy, F1, recall, Cohen’s Kappa and area under the ROC curve confirmed the efficacy of YOLOv8 and InceptionV3. ANOVA and Tukey’s test revealed that VGG19 significantly underperformed, while no significant differences were found between YOLOv8 and InceptionV3. This demonstrates that both models are suitable for implementation in early disease detection systems in cocoa plantations, with YOLOv8 being slightly superior in terms of robustness and accuracy.