A Protocol-Centric Analysis of Random and Chronological Validation in Agricultural Image Classification

Abstract

La evaluación de modelos de visión artificial en agricultura depende no solo de la arquitectura empleada, sino también del criterio utilizado para separar los datos. Este trabajo presenta una versión de difusión centrada en el efecto del protocolo de validación, utilizando como caso de estudio la clasificación de estados nutrimentales en lechuga a partir de imágenes RGB. Se emplea un subconjunto de LettuceDeF con 4,405 imágenes y cuatro clases: nutrición completa de la variedad Blanes (FN-Blanes) y deficiencias de nitrógeno (-N), fósforo (-P) y potasio (-K). Se contrastan dos esquemas con proporciones 70/10/20: Protocolo A, selección aleatoria estratificada, y Protocolo B, selección cronológica. Nueve redes neuronales convoluciones (CNN) preentrenadas fueron evaluadas con 12 semillas por modelo y protocolo. El F1-macro medio global disminuyó de 0.978 bajo el Protocolo A a 0.828 bajo el Protocolo B. ConvNeXt Base alcanzó 0.995 bajo validación aleatoria, mientras DenseNet201 obtuvo el mayor valor cronológico, 0.862. La degradación media fue de 0.15 puntos de F1-macro, con un rango intermodelo de 0.13 a 0.20. Los resultados muestran que una partición aleatoria puede producir una estimaci.n sustancialmente más favorable que una evaluación que reserva observaciones tardías del ciclo para prueba. El objetivo de esta investigación no es establecer un nuevo ranking exhaustivo de CNN, sino destacar la importancia de alinear el protocolo de validación con el escenario temporal de uso del modelo.