CF: cag141252462
ARTÍCULO DE INVESTIGACIÓN
Detección de enfermedades en hojas de tomate (Solanum lycopersicum) utilizando inteligencia artificial
Detection of diseases in tomato (Solanum lycopersicum) leaves using artificial intelligence
Walter Moreno Castillo 1
Jenny Acosta-Procel 2
Gonzalo Ruiz-Mesías 2
Gladys Vega-Iza 3
Manolo Muñoz-Espinoza 1*
1 Universidad Técnica de Ambato, Facultad de Ciencias Agropecuarias, Cantón Cevallos vía a Quero, Sector El Tambo-La Universidad, 1801334, Cevallos, Tungurahua, Ecuador EC180150, Ecuador
2 Instituto Superior Tecnológico Cotopaxi, Parroquia Tanicuchi Panamericana E35 km 12 vía Latacunga-Quito, Ecuador
3 Instituto Superior Tecnológico Vicente León, Calle Belisario Quevedo y, C. Gral. Maldonado, Latacunga 050102, Ecuador
*Correspondencia: Esta dirección de correo electrónico está protegida contra spambots. Usted necesita tener Javascript activado para poder verla.
RESUMEN
Contexto: La susceptibilidad del cultivo de tomate a enfermedades ha generado pérdidas en la producción, por ello se requiere métodos rápidos y precisos para su detección temprana.
Objetivos: Desarrollar un sistema automático de identificación de enfermedades en hojas de tomate mediante inteligencia artificial.
Métodos: La investigación se enmarca en un diseño metodológico experimental y cuantitativo, con un enfoque aplicado y nivel descriptivo-predicativo Se utilizó un conjunto de 11000 imágenes etiquetadas con la ayuda del modelo GroundingDINO, distribuidas en 10000 para entrenamiento y 1000 para validación, cubriendo nueve enfermedades comunes y hojas sanas. Se entrenó el modelo YOLOv11n, seleccionado por su eficiencia computacional y alta precisión en tareas de detección.
Resultados: Se encontró un rendimiento excepcional, con una precisión global de 0,9967, un recall de 0,99604 y un mAP50 de 0,99446, superando en precisión y robustez a enfoques convencionales.
Conclusiones: Este método es altamente efectivo para la detección automática de enfermedades en hojas de tomate, lo que permite una intervención más precisa y oportuna en el campo. Esta tecnología puede contribuir significativamente a la agricultura sostenible al reducir el uso innecesario de pesticidas. Futuras investigaciones deberían validar el modelo en condiciones de campo real y con otras especies vegetales.
ABSTRACT
Context: The increasing losses in tomato crops due to foliar diseases has created an urgent need for rapid and accurate methods for early detection.
Objectives: To develop an automated system for identifying diseases in tomato leaves using artificial intelligence.
Methods: This study employed an experimental and quantitative methodological design with an applied, descriptive-predictive approach. A dataset of 11000 labeled images was generated using the GroundingDINO model, divided into 10000 images for training and 1000 for validation, covering nine common diseases and healthy leaves. The YOLOv11n model was trained due to its computational efficiency and high accuracy in object detection tasks.
Results: Exceptional performance was achieved, with an overall precision of 0.9967, a recall of 0.99604, and an mAP50 of 0.99446, outperforming conventional approaches in both accuracy and robustness.
Conclusions: This method is highly effective for the automated detection of diseases in tomato leaves, enabling more precise and timely field interventions. This technology can significantly contribute to sustainable agriculture by reducing unnecessary pesticide use. Future research should validate the model under real-field conditions and extend its application to other crop species.
