Detección del Tizón Foliar en las hojas del cultivo de maíz (Zea Mays L.) mediante un modelo de visión por computador

Abstract

El maíz es uno de los cereales más cultivados e importantes a nivel mundial, y se ve afectado por enfermedades como el tizón foliar, generando una disminución en el rendimiento del cultivo, causando pérdidas económicas en su producción. Este Trabajo de Integración Curricular (TIC) tuvo como objetivo desarrollar un modelo de visión por computador para la detección de la enfermedad del tizón foliar en las hojas del cultivo de maíz. La metodología usada se basó en el Proceso Estándar de la Industria Transversal para el Aprendizaje Automático con Garantía de Calidad (CRISP-ML(Q)), adaptando las siguientes fases: ingeniería de datos, ingeniería de modelos de aprendizaje automático y evaluación del modelo de aprendizaje automático. En la primera fase, se crearon cuatro conjuntos de imágenes, en la segunda fase se ajustó el modelo YOLOv7 para la detección de la enfermedad conjuntamente con la optimización de los hiperparámetros y en la última fase se creó un prototipo web desarrollado en Flask para la aplicación de la técnica de Zero-Shot Learning (ZSL), obteniendo una precisión final del 97 %. Además, se evaluó el prototipo web mediante la aplicación de una encuesta a los involucrados de la materia de Sistemas de Producción de la Carrera de Agronomía de la Universidad Nacional de Loja, alcanzando una media del 96 % en la variable de Utilidad Percibida (UP) y del 97,2 % en la Facilidad de Uso Percibida (FUP), determinando una gran utilidad y uso del prototipo web que emplea el modelo de visión por computador para la detección del tizón foliar en las hojas de maíz, siendo una herramienta de apoyo para la materia.

Palabras claves: detección de objetos, CRISP-ML(Q), YOLOv7, Zero-shot learning.