Diagnóstico de Enfermedades en Hojas de Vid mediante Aprendizaje Profundo: Un Estudio Comparativo de Modelos

Resumen

La clasificación temprana y precisa de enfermedades foliares en cultivos de vid (Vitis vinifera L.) es un desafío crítico en la agricultura de precisión, ya que estas enfermedades pueden afectar significativamente la fotosíntesis y el rendimiento general. Este estudio evalúa y compara el rendimiento de varios modelos de clasificación basados en aprendizaje profundo, utilizando técnicas de transferencia de aprendizaje para clasificar enfermedades foliares y deficiencias nutricionales en hojas de vid mediante análisis de imágenes. Se utilizó un conjunto de datos etiquetados, compuesto por cuatro categorías: sanas, mancha foliar, sarampión negro y podredumbre negra. Se analizaron métricas clave de evaluación—como función de pérdida, exactitud, precisión, recuperación, puntuación F1, matrices de confusión y curvas ROC—junto con aspectos computacionales como el tiempo de entrenamiento. Las arquitecturas livianas, particularmente MobileNetV2, demostraron un rendimiento superior, alcanzando más del 99% de precisión, con una fuerte capacidad de generalización y un bajo costo computacional, lo que las hace adecuadas para su implementación en tiempo real en dispositivos móviles. En contraste, modelos más complejos como ResNet50 y EfficientNetB0 presentaron problemas como sobreajuste o mala adaptación al conjunto de datos. En comparación con los métodos tradicionales de diagnóstico basados en inspección visual por expertos o análisis químicos—que pueden ser subjetivos, costosos y lentos—la visión por computadora ofrece una alternativa más rápida, objetiva y rentable. Estos resultados confirman el potencial de las técnicas de aprendizaje profundo como herramientas prácticas para la clasificación temprana de enfermedades, apoyando a los agricultores en la mejora del manejo y la productividad de los cultivos. Finalmente, se discuten recomendaciones prácticas y futuras direcciones de investigación para facilitar la adopción de estas tecnologías en entornos reales de viticultura.