Sistema de detección de enfermedades en plantas para la reducción de uso de pesticidas y plaguicidas en la región de Sinaloa

Abstract

Este artículo presenta un sistema de detección temprana de enfermedades en plantas basado en el algoritmo YOLOv8, diseñado para reducir el uso de pesticidas en la región de Sinaloa, México. El sistema utiliza técnicas de aprendizaje profundo para identificar enfermedades comunes en cultivos como pepino y melón, como virus del mosaico y mosquita blanca, a partir de imágenes de hojas. Se recolectó un conjunto de datos de 9660 imágenes, preprocesadas y aumentadas para mejorar la generalización del modelo. El entrenamiento de YOLOv8 logró una precisión del 94.5%, un recall del 92.3% y un F1-score de 93.4%, superando a otros métodos como Faster R-CNN y EfficientDet en términos de precisión y eficiencia. El sistema fue implementado en una aplicación móvil que permite diagnósticos en tiempo real, con un tiempo de inferencia de 25 ms por imagen. Se estima que su implementación podría reducir el uso de pesticidas en un 30 a 40%, promoviendo prácticas agrícolas más sostenibles. Aunque el sistema demostró un alto rendimiento, se identificaron limitaciones relacionadas con la calidad de las imágenes y la generalización a otros cultivos, lo que sugiere áreas de mejora para futuras investigaciones. Este trabajo contribuye al avance, con potencial para mejorar la productividad y reducir los impactos ambientales.