Creación de un modelo para la clasificación de imágenes de la mancha bacteriana en la hoja de tomate utilizando el modelo VGG16

Abstract

Los avances de la inteligencia artificial han revolucionado sectores como la agricultura, destacando su capacidad de optimizar procesos mediante el análisis automatizado de datos con ello, las redes neuronales convolucionales han demostrado ser herramientas fundamentales para el procesamiento y clasificaciones de imágenes, permitiendo identificar patrones complejos de manera eficiente. Estas tecnologías han sido aplicadas en la detección temprana de enfermedades, monitoreo del crecimiento de cultivos y evaluación de la calidad de productos agrícolas, proporcionando soluciones innovadoras. En este contexto, el trabajo de integración curricular se centró en el diseño, ajuste y evaluación de un modelo de aprendizaje profundo basado en la arquitectura VGG16 para la clasificación automatizada de imágenes de hojas de tomate afectadas por la mancha bacteriana. La metodología utilizada fue CRISP-ML(Q) estructurada en tres fases principales: ingeniería de datos, donde se identificaron y recolectaron imágenes del repositorio Kaggle, las cuales fueron procesadas mediante técnicas de limpieza, balanceo y aumento de datos, dando como resultado un conjunto final de 3816 imágenes, lo que incrementó la diversidad y calidad del conjunto de datos. En la fase de ingeniería de modelos, se implementó la arquitectura VGG16 preentrenada en ImageNet, optimizando hiperparámetros y ajustando sus capas de clasificación para adaptarse a la tarea requerida. El entrenamiento se realizó en la plataforma Google Colab, obteniendo como resultado un modelo con desempeño óptimo, el cual se evaluó como parte de la fase de evaluación de modelos, alcanzando un 99.73% de precisión global y una pérdida mínima de 0.78%, superando estudios previos con configuraciones similares. Además, se aplicó la técnica de Zero-Shot Learning para evaluar la capacidad de generalización del modelo con datos recolectados en entornos reales, dando como exactitud el 75%. El modelo desarrollado optimiza el uso de pesticidas, mejora la productividad y fomenta la sostenibilidad agrícola, por lo que se recomienda ampliar el conjunto de datos con imágenes obtenidas en entornos reales y explorar su integración con tecnologías móviles.