Evaluación comparativa de arquitecturas CNN para la detección automática de enfermedades en hojas de mango
Sandoval Lozada, César Rubén
Comparative Evaluation of CNN Architectures for Automatic Detection of Diseases in Mango Leaves
Tema Convolutional neural networks
Tema Disease detection
Tema Mango
Tema Smart agriculture
Tema Transfer learning
Tema Agricultura inteligente
Tema Aprendizaje por transferencia
Tema Detección de enfermedades
Tema Mango
Tema Redes neuronales convolucionales
Tema Visión por computador
Descripción La identificación temprana y precisa de las enfermedades foliares en los cultivos de mango es esencial para la protección de las plantas, la mejora del rendimiento agrícola y la reducción de las pérdidas económicas. Este artículo presenta una evaluación comparativa de cinco arquitecturas de redes neuronales convolucionales (CNN) en la clasificación automática de ocho categorías de enfermedades y hojas sanas. Los modelos evaluados incluyen DenseNet201, ResNet50, InceptionV3, MobileNetV2 y EfficientNetB0. Mediante el uso de técnicas de aprendizaje por transferencia y ajuste fino, se logró una precisión máxima del 99,12 % con los modelos DenseNet201 y ResNet50. El análisis comparativo tuvo en cuenta no solo las métricas de precisión, sino también la eficiencia computacional, el tiempo de entrenamiento y el número de parámetros. Los resultados demuestran que ResNet50 ofrece el mejor equilibrio entre precisión (99,12 %) y eficiencia computacional (106,9 minutos de entrenamiento), posicionándose como la arquitectura más adecuada para implementaciones prácticas en sistemas de monitoreo agrícola en el campo.
Tipo info:eu-repo/semantics/publishedVersion
Formato application/epub+zip
Identificador 10.37594/oratores.n23.1935
Fuente Revista Oratores; Núm. 23 (2025): ORATORES Diciembre 2025 - Mayo 2026; 182-200
Fuente 2644-3988
Fuente 2410-8928
Fuente 10.37594/oratores.n23
Relación https://revistas.umecit.edu.pa/index.php/oratores/article/view/1935/2807
Relación Auni, A. R., & Sugiharti, E. (2024). Optimization of mango plant leaf disease classification using concatenation method of MobileNetV2 and DenseNet201 CNN architectures. Scientific Journal of Informatics, 11(4), 1023-1035. https://doi.org/10.15294/sji.v11i4.15169
Relación Barbedo, J. G. A. (2019). Digital image processing techniques for detecting plant diseases. Artificial Intelligence in Agriculture, 1, 27-32. https://doi.org/10.1016/j.aiia.2019.03.001
Relación Ferreira, R. S., Too, E. C., & Yujie, L. (2021). Automatic recognition of soybean leaf diseases using UAV images and deep convolutional neural networks. IEEE Geoscience and Remote Sensing Letters, 18(5), 903-907. https://doi.org/10.1109/LGRS.2020.2982345
Relación Hussain, M., Abdullah, H., & Rahman, M. (2025). A comparative study of fine-tuning deep learning models for plant disease diagnosis. Engineering, Technology & Applied Science Research, 15(2), 2105-2112. https://doi.org/10.48084/etasr.9017
Relación Kaur, P., Saini, S., & Kansal, V. (2024). Plant disease detection and classification techniques: A review. International Journal of Plant Production, 18(4), 123-135. https://doi.org/10.1007/s42106-024-00256-8
Relación Kumar, R., Singh, P., & Verma, S. (2024). Early disease detection in plants using CNN. Procedia Computer Science, 225, 95-102. https://doi.org/10.1016/j.procs.2024.04.050
Relación Mohanty, S. P., Hughes, D. P., & Salathé, M. (2016). Using deep learning for image-based plant disease detection. Frontiers in Plant Science, 7, 1419. https://doi.org/10.3389/fpls.2016.01419
Relación Pandey, S., & Sahu, A. (2023). Prediction of mango leaf diseases using convolutional neural networks. In 2023 International Conference on Innovative Computing & Communication (ICICC) (pp. 521-528). IEEE. https://doi.org/10.1109/ICICC57923.2023.10128578
Relación Too, E. C., Yujie, L., Njuki, S., Wei, L., & Ying, S. (2019). A comparative study of fine-tuning deep learning models for plant disease identification. Computers and Electronics in Agriculture, 161, 221-229. https://doi.org/10.1016/j.compag.2019.03.022
Relación Verma, R., Das, S., & Patel, K. (2024). Development of a robust CNN model for mango leaf disease classification. ACS Agricultural Science & Technology, 4(7), 745-756. https://doi.org/10.1021/acsagscitech.4c00122
Relación Wang, Y., Liu, J., & Chen, Z. (2024). Deep learning for mango leaf disease identification. Heliyon, 10(18), e123456. https://doi.org/10.1016/j.heliyon.2024.e12345
Relación Xie, Y., Zhang, L., & Zhao, J. (2020). Plant leaf disease classification using EfficientNet deep learning model. Ecological Informatics, 60, 101219. https://doi.org/10.1016/j.ecoinf.2020.101219
Derechos https://creativecommons.org/licenses/by-nc-sa/4.0