Resumen:
El proyecto consiste en el desarrollo de un modelo de detección de la enfermedad tizón tardío en los cultivos de papa aprovechando la fuerza de la Inteligencia Artificial y el aprendizaje profundo, modelo al cual también se le entreno para detectar el tizón temprano ya que comparten formas, colores, y texturas parecidas. Mediante el uso de algoritmos de visión por computadora, se procesan imágenes de hojas de papa, enfocándose específicamente en identificar y segmentar posibles áreas de infección.
Se genera una base de datos de diferentes repositorios de uso libre, para posteriormente con TensorFlow, popular en ámbitos de aprendizaje profundo, poder construir y entrenar un modelo de red neuronal convolucional. Este tipo de modelo es especialmente eficiente en tareas de procesamiento y clasificación de imágenes.
Una vez procesada la base de datos, se implementan técnicas de aumento de datos, como rotaciones y reflejos, para robustecer el modelo frente a variaciones y garantizar que pueda detectar el tizón en diferentes condiciones y etapas de la enfermedad. Además, se divide la base de datos en conjuntos de entrenamiento, validación y prueba, permitiendo evaluar de forma precisa el rendimiento del modelo.
La arquitectura del modelo convolucional se compone de múltiples capas, incluyendo capas de convolución, reducción de dimensionalidad y capas densamente conectadas. Este diseño busca extraer características esenciales de las imágenes y usarlas para realizar una clasificación efectiva. Esta solución no solo ofrece una herramienta de diagnóstico precisa sino también una estrategia proactiva para la gestión y tratamiento de cultivos.
