Modelo basado en redes neuronales convolucionales (CNN) para la detección y clasificación de la moniliasis en el cacao.
Cargando...
Fecha
Autores
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad Católica de Cuenca.
Resumen
Moniliasis, caused by Moniliophthora roreri fungus, is one of the main diseases affecting cocoa production in Latin America, leading to significant losses. Early detection of this disease is crucial for implementing effective control strategies and minimizing economic impact. This article presents a model based on convolutional neural networks (CNN) for automatic detection and classification of moniliasis in cocoa pods using digital images.
A total of 2,000 images of healthy and affected (moniliasis) cocoa were collected and preprocessed using data augmentation, data standardization, and resizing techniques. The model was trained with a sequential CNN architecture, including convolutional, pooling, flattening, and dense layers, optimized for binary classification. The model's performance was evaluated using precision, sensitivity, F1 score, and confusion matrix metrics, achieving a maximum accuracy of 98.3% in training and 99% in validation.
The above results show that CNNs are effective tools for the automated identification of moniliasis, providing farmers with a technological resource that facilitates early detection and improves decision-making in crop management. This study demonstrates the great potential of artificial intelligence in precision agriculture, contributing to the sustainability and productivity of cocoa in Ecuador.
Descripción
La moniliasis, causada por el hongo Moniliophthora roreri, una de las principales enfermedades que afectan a la producción de cacao en América Latina, provocando pérdidas significativas. La detección temprana de esta enfermedad es crucial para implementar estrategias de control efectivas y minimizar el impacto económico. Este trabajo presenta un modelo basado en redes neuronales convolucionales (CNN) para la detección y clasificación automática de la moniliasis en mazorcas de cacao mediante imágenes digitales.
Se recopilaron un total de 2.000 imágenes de cacao sano y afectado (moniliasis), las cuales fueron preprocesadas utilizando técnicas de aumento de datos, normalización y redimensionamiento. El modelo fue entrenado con una arquitectura secuencial de CNN, incluyendo capas convolucionales, de pooling, aplanamiento y densas, optimizado para clasificación binaria. La evaluación del desempeño del modelo se realizó mediante métricas de precisión, sensibilidad, puntaje F1 y matriz de confusión, logrando así una exactitud máxima de 98,3% en entrenamiento y 99% en validación.
Los resultados proporcionados evidencian que las CNN son herramientas eficaces para la identificación automatizada de la moniliasis, ofreciendo a los agricultores un recurso tecnológico que facilita la detección temprana y mejora la toma de decisión en el manejo de cultivos. Este estudio nos demuestra el gran potencial de la inteligencia artificial en la agricultura de precisión, contribuyendo a la sostenibilidad y productividad del caco en el Ecuador.
Palabras clave
Moniliasis, Cacao, Redes Neuronales Convolucionales, Inteligencia Artificial, Visión por Computadora
Citación
Lozano Ochoa, Daniela Lissbeth. Modelo basado en redes neuronales convolucionales (CNN) para la detección y clasificación de la moniliasis en el cacao. 2025. 49 páginas. Trabajo de investigación. Universidad Católica de Cuenca. Tecnologías de la Información.
