Método de Clasificación Automática de Deficiencias Nutricionales en Hojas de Cafeto Mediante Procesamiento de Imágenes Digitales y Aprendizaje Profundo

Abstract

El objetivo del estudio fue proponer un método de clasificación automática de deficiencias nutricionales en hojas de cafeto mediante procesamiento de imágenes digitales y aprendizaje profundo, con el fin de superar las limitaciones de tiempo y coste asociadas al análisis químico foliar. Para lograrlo, se llevó a cabo una caracterización visual de las deficiencias nutricionales del cafeto con la asesoría de un ingeniero agrónomo experto. Posteriormente, se construyó un prototipo para la adquisición de imágenes, estas se capturaron siguiendo un protocolo específico y se elaboró un conjunto de datos con un total 4032 imágenes, de las cuales se consideró 666 para el subconjunto pruebas y 3366 para entrenamiento y validación. Las imágenes fueron procesadas mediante técnicas de binarización y segmentación, utilizando el método Otsu y regiones de interés (ROI) para recortar la imagen de acuerdo a su tamaño. A continuación, se implementó un modelo de red neuronal convolucional de aprendizaje profundo, el cual se comparó con los modelos VGG16, InceptionV3 y MobileNet. Los resultados mostraron que el modelo propio supero a los demás modelos, alcanzando una exactitud del 99.11%, MobileNet 98.22%, InceptionV3 95.57% y VGG16 un 95.39%. Estos hallazgos sugieren que la combinación de técnicas de procesamiento de imágenes digitales con aprendizaje profundo es altamente efectiva para la clasificación de deficiencias nutricionales en hojas de cafeto. Como conclusión, se destaca la viabilidad de este enfoque para automatizar el proceso de diagnóstico, lo que podría beneficiar significativamente a los agricultores al permitirles contar con una herramienta eficiente para reconocer las deficiencias nutricionales en hojas de cafeto.