Desarrollo de una Herramienta Digital para la Detección de Enfermedades en Hojas de Tomate (Solanum lycopersicum L.) Mediante Aprendizaje Automático.

Abstract

El cultivo de tomate (Solanum lycopersicum L.) es actualmente uno de los cultivos de hortalizas más importantes a nivel mundial y constituye un producto principal en Honduras debido a su alto valor económico y nutricional. La producción puede verse disminuida por factores fitosanitarios adversos, por lo que el diagnóstico correcto y temprano es clave para implementar un plan de manejo adecuado. Por ello, es necesario contar con una herramienta que permita a los agricultores identificar el tipo de enfermedad que afecta a su cultivo mediante el uso de tecnología agrícola. Este estudio evaluó, mediante aprendizaje automático, dos técnicas de redes neuronales: EfficientNetB5 y YOLOv8, que fueron capaces de detectar enfermedades en hojas de tomate. Para el conjunto de datos, se recopilaron 50,000 imágenes con origen del dataset de PlantVillage y se sometieron a diversas técnicas de aumento para mejorar la robustez, incrementando tanto la cantidad como la calidad de las imágenes. Los distintos modelos lograron identificar nueve enfermedades en las hojas de tomate: Tizón tardío, Tizón temprano, Mancha de la hoja por Septoria, Virus del rizado amarillo del tomate, Mancha bacteriana, Mancha anillada, Virus del mosaico del tomate, Moho de la hoja y Moho polvoriento. Siendo el modelo EfficientNetB5 el que presentó los mejores resultados debido a su alto grado de precisión.