Modelo basado en redes neuronales convolucionales (CNN) para la detección y clasificación de la moniliasis en el cacao.

La moniliasis, causada por el hongo Moniliophthora roreri, una de las principales enfermedades que afectan a la producción de cacao en América Latina, provocando pérdidas significativas. La detección temprana de esta enfermedad es crucial para implementar estrategias de control efectivas y minimizar el impacto económico. Este trabajo presenta un modelo basado en redes neuronales convolucionales (CNN) para la detección y clasificación automática de la moniliasis en mazorcas de cacao mediante imágenes digitales. Se recopilaron un total de 2.000 imágenes de cacao sano y afectado (moniliasis), las cuales fueron preprocesadas utilizando técnicas de aumento de datos, normalización y redimensionamiento. El modelo fue entrenado con una arquitectura secuencial de CNN, incluyendo capas convolucionales, de pooling, aplanamiento y densas, optimizado para clasificación binaria. La evaluación del desempeño del modelo se realizó mediante métricas de precisión, sensibilidad, puntaje F1 y matriz de confusión, logrando así una exactitud máxima de 98,3% en entrenamiento y 99% en validación. Los resultados proporcionados evidencian que las CNN son herramientas eficaces para la identificación automatizada de la moniliasis, ofreciendo a los agricultores un recurso tecnológico que facilita la detección temprana y mejora la toma de decisión en el manejo de cultivos. Este estudio nos demuestra el gran potencial de la inteligencia artificial en la agricultura de precisión, contribuyendo a la sostenibilidad y productividad del caco en el Ecuador.

• Autor principal: Lozano Ochoa, Daniela Lissbeth (author)
• Formato: bachelorThesis
• Idioma: spa
• Publicado em: 2025
• Assuntos: Moniliasis; Cacao; Redes Neuronales Convolucionales; Inteligencia Artificial; Visión por Computadora
• Acesso em linha: https://dspace.ucacue.edu.ec/handle/ucacue/20959