Desarrollo de un sistema con redes neuronales convolucionales (CNN) de inteligencia artificial para la detección de enfermedades en cultivos de fresas en la ciudad de Lima

Abstract

La presente investigación analiza la problemática que enfrentan los agricultores de fresas en Lima respecto al manejo de enfermedades fitosanitarias, quienes dependían de métodos tradicionales de observación caracterizados por ser demorados, imprecisos y propensos a equivocaciones, ocasionando pérdidas anuales del 49.44% en la producción. Se buscó desarrollar un sistema tecnológico que mejore la detección oportuna de enfermedades para optimizar la productividad agrícola, por lo que se implementó un sistema basado en redes neuronales convolucionales (CNN) utilizando la arquitectura YOLOv8, diseñado específicamente para identificar patologías como mildiu polvoriento, antracnosis y pudrición gris, lo que implicó un cambio hacia la agricultura de precisión. La investigación es de tipo aplicada, el diseño es cuasi-experimental, con un enfoque cuantitativo. Se trabajó con 474 imágenes de la población de cultivos de fresa de Manchay Alto en Pachacámac, a las cuales se les aplicó el instrumento que contó con validez y confiabilidad. Los resultados fueron analizados con el software estadístico SPSS versión 27 con prueba de Wilcoxon, alcanzando una precisión técnica del modelo entrenado del 96.74% (mAP@50) y una efectividad del sistema implementado donde el 84.4% de los casos alcanzaron nivel alto en la evaluación poblacional, lo que indica un resultado estadísticamente significativo (p = 0.000), por lo que se concluye que al implementar el sistema CNN se logra la detección oportuna de enfermedades en cultivos de fresas, facilita la precisión en la detección, permite calcular el desempeño del modelo y evalúa efectivamente la detección de patologías fitosanitarias.