Modelo predictivo basado en deep learning para identificar la Mancha Angular (Xanthomonas fragariae) en la hoja de Fresa para el Municipio del cantón Saraguro

Abstract

El cultivo de fresa es una actividad agrícola común en el cantón de Saraguro. Sin embargo, esta plantación se ha visto afectada significativamente por la bacteria Xanthomonas fragariae, causante de la Mancha Angular, la cual, puede infectar rápidamente gran parte del cultivo, especialmente aquellas al aire libre, provocando baja calidad de producción y significativas perdidas económicas. El propósito de este estudio fue implementar un modelo basado en deep learning para detectar la Mancha Angular en la hoja de fresa. La metodología adoptada se basó en el Proceso Estándar de la Industria Transversal para el Aprendizaje Automático con Garantía de Calidad (CRISP-ML(Q)) adaptando cinco fases: entendimiento de datos, preparación de datos, modelado, evaluación e implementación. En la primera y segunda fase se recolectaron imágenes en diferentes sectores del cantón Saraguro como: La Matara, Tablón, Puente Chico y Cañicapac, donde existen huertos e invernaderos con cultivos de fresa, además, se añadieron imágenes disponibles en Kaggle, conformando un conjunto de 2987 imágenes que incluyen hojas sanas y afectadas por Mancha Angular. Durante la tercera y cuarta fase, se implementaron y compararon los modelos de clasificación y detección de objetos basados en deep learning Yolov5, Yolov7, Yolov8 y Faster R-CNN. Estos fueron entrenados únicamente con datos de la clase "mancha angular", obteniendo precisiones de 93%, 89%, 92% y 82%, respectivamente, destacando Yolov5 como el modelo más preciso. Posteriormente al integrar un conjunto de datos complementarios con imágenes de hojas sanas en el entrenamiento, se logró una mejora leve pero significativa en la precisión de Yolov5, alcanzando un 94%. En la fase final, se desarrolló un prototipo de aplicación móvil utilizando la metodología XP y el framework Flutter para integrar el modelo entrenado. Las pruebas finales, realizadas en colaboración con el Técnico de Desarrollo Agrícola del GAD municipal, alcanzaron una precisión del 96% en un entorno real. Estos resultados demuestran que el modelo propuesto es eficaz para detectar la mancha angular en las hojas de fresa, ofreciendo una valiosa herramienta para los pequeños agricultores del cantón de Saraguro.

Palabras clave: Aprendizaje profundo, CRISP–ML(Q), Mancha Angular, Yolov5