Modelo predictivo basado en visión por computador para identificar la enfermedad del Tizón Tardío (Phytophthora infestans) en las hojas del tomate de riñón (Solanum Lycopersicum) del Cantón Saraguro.

Abstract

En el cantón Saraguro, muchos agricultores se dedican a la producción de tomate de riñón; sin embargo, esta actividad se ha visto afectada por enfermedades como el tizón tardío, que ocasiona pérdidas económicas significativas. Este trabajo de titulación tiene como objetivo aplicar tecnologías basadas en inteligencia artificial, específicamente redes neuronales convolucionales, para identificar dicha enfermedad en las hojas de tomate de riñón, facilitando así una detección oportuna y una gestión más efectiva del cultivo. La metodología empleada se basó en el enfoque de Design Thinking, implementando las fases de Definir, Idear, Prototipar y Evaluar. En la primera fase, se recolectaron fotografías de hojas de tomate de riñón sanas y con tizón tardío en distintos invernaderos del cantón Saraguro, logrando un total de 1,447 imágenes, las cuales se combinaron con 3,351 imágenes del set de datos de PlantVillage. En la segunda fase, se investigaron los modelos más efectivos para la clasificación de enfermedades en hojas de plantas, destacándose los modelos ResNet50, VGG16 e InceptionV3. Esto permitió avanzar a la tercera fase, donde se entrenaron estos modelos, obteniendo precisiones del 99.8%, 99.3% y 98.5%, respectivamente. En la fase final, se evaluó el modelo ResNet50 mediante una aplicación web que integró el modelo entrenado. Se recolectaron 100 imágenes de hojas de tomate de riñón, sanas y enfermas, en un invernadero, las cuales se subieron a la aplicación para su diagnóstico. Los resultados se compararon con la evaluación de un agrónomo del cantón Saraguro, logrando una precisión del 91% en la clasificación de la enfermedad.

Palabras: CNN, VGG16, ResNet50, InceptionV3, Deep Learning.