DETECCIÓN DE ESTRÉS EN PLANTAS DE CHILE HABANERO EMPLEANDO ALGORITMOS DE APRENDIZAJE PROFUNDO

Resumen

El chile habanero es conocido por su intenso picor y sabor distintivo, su producción se destina al mercado nacional, internacional y a la industria de alimentos procesados. Uno de los principales desafíos en los cultivos es la detección temprana del estrés biótico y abiótico. Por lo tanto, se implementó un modelo de visión artificial para la detección de estrés en plantas de chile habanero a partir del entrenamiento de una Red Neuronal Convolucional (CNN), el entrenamiento se llevó a cabo con la herramienta de Google colab utilizando un dataset con imágenes capturadas mediante dispositivos móviles y etiquetadas con herramientas de software especializadas. Diversas investigaciones presentan un enfoque al uso de redes neuronales convolucionales (CNN) para identificar enfermedades y plagas en cultivos, sin embargo, debido a las variaciones en parámetros y procesamiento de imágenes, aún existe un campo de estudio a mejorar. Se realizaron experimentos con los modelos de CNN YOLO v8, Detectron2 y MobileNetv2 obteniendo con esté último un porcentaje del 90% en la precisión del estrés, estos avances en visión artificial abren nuevas oportunidades para transformar el manejo del estrés en el chile habanero y el manejo agrícola. Se obtuvo también la formación de recurso humano con seis residentes y dos estudiantes de posgrado.