Sistema Informático con DANN para el diagnóstico de enfermedades fitosanitarias en cultivos de plátano del cantón El Carmen.

Abstract

El presente proyecto tuvo como objetivo desarrollar un módulo móvil basado en inteligencia artificial para apoyar la evaluación del estado general de salud vegetal en hojas de plátano, bajo condiciones reales de campo en la Granja Experimental ULEAM, Extensión El Carmen. La problemática identificada se relacionó con la variabilidad de la evaluación visual realizada en campo y con las diferencias existentes entre las imágenes de conjuntos de datos públicos y las fotografías capturadas directamente en el entorno agrícola, debido a factores como iluminación, fondo, sombras, distancia, calidad de la cámara y condiciones ambientales. Esta situación puede afectar el desempeño de los modelos de visión artificial y limitar la confiabilidad de los resultados. La investigación consideró como población a 25 estudiantes de la carrera de Agropecuaria vinculados con actividades prácticas en la Granja Experimental ULEAM, Extensión El Carmen. Debido al tamaño reducido y accesible de la población, se trabajó con una muestra censal que incluyó a la totalidad de los 25 estudiantes. Metodológicamente, se aplicó una investigación de campo, documental y aplicada, con enfoque cuantitativo y apoyo descriptivo. Para la recolección de información se utilizaron encuestas dirigidas a los estudiantes y una entrevista semiestructurada aplicada a un docente del área agropecuaria. El desarrollo del módulo se organizó mediante la metodología ágil Scrum, permitiendo planificar las actividades de preparación de datos, entrenamiento del modelo, evaluación e integración móvil. Para el modelo se utilizó la arquitectura ResNetVD34, preentrenada con ImageNet, junto con una Red Neuronal Adversaria para Adaptación de Dominio, conocida como DANN, con el fin de reducir la brecha entre el dominio fuente y el dominio objetivo. El conjunto de datos público fue depurado, balanceado y organizado en dos clases: hojas saludables y hojas con salud comprometida. Además, se emplearon 64 fotografías reales tomadas en campo como dominio objetivo. La evaluación final se realizó con 12 imágenes balanceadas, obteniendo una exactitud, precisión, recall y medida F1 del 83,33 %, con una confianza promedio del 86,91 %. Posteriormente, el modelo fue convertido a TensorFlow Lite mediante optimización float16 e integrado en una aplicación móvil desarrollada en Flutter, donde se verificó el uso de cámara y galería, la inferencia sin conexión, la visualización de probabilidades, el umbral de confianza del 65 % y el almacenamiento local del historial.