Inteligencia artificial para la detección de dos enfermedades en manzana (Malus domestica, var. Emilia)
Date
2025-08
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Early detection of diseases in agricultural crops is essential to ensure sustainable and profitable production. In this context, artificial intelligence (AI) has become a key tool for the development of automated plant health diagnosis systems. This thesis aims to develop an AI-based model for the detection of two common diseases in apple trees: powdery mildew (Podosphaera leucotricha) and apple scab (Venturia inaequalis), using digital images of leaves. To achieve this, a database of apple leaf images (cv. Emilia) was created, classified into three categories: healthy, with mildew, and with scab. The images were acquired, preprocessed, and annotated using the Roboflow platform. Subsequently, an object detection model based on YOLOv12 was trained to identify and visually locate affected areas in each image. The performance of the model was evaluated using metrics such as precision, sensitivity, and specificity, yielding promising results. The model showed optimal performance in identifying healthy leaves and those affected by scabs, along with a good balance between sensitivity and precision in detecting mildew. These findings demonstrate the feasibility of using deep learning models for the automated detection of foliar diseases in fruit trees. This study contributes to the development of accessible and scalable technological solutions for the efficient monitoring of diseases in apple crops, supporting informed decision-making in integrated pest and disease management.
Description
La detección temprana de enfermedades en cultivos agrícolas es fundamental ara garantizar una producción sostenible y rentable. En este contexto, la inteligencia artificial (IA) se ha convertido en una herramienta clave para el desarrollo de sistemas automatizados de diagnóstico fitosanitario. El presente trabajo tiene como objetivo general desarrollar un modelo basado en inteligencia artificial para la detección de dos enfermedades comunes en manzanos: oídio (Podosphaera leucotricha) y sarna del manzano (Venturia inaequalis), a partir de imágenes digitales de hojas. Para alcanzar este propósito, se creó una base de datos de imágenes de hojas de manzana (variedad Emilia), clasificadas en tres categorías: sanas, con oídio y con sarna. Las imágenes fueron adquiridas, preprocesadas y etiquetadas mediante la plataforma Roboflow. Posteriormente, se entrenó un modelo de detección de objetos basado en YOLOv12, capaz de identificar y localizar visualmente las zonas afectadas en cada imagen. El desempeño del modelo fue evaluado utilizando métricas como precisión, sensibilidad y especificidad, arrojando resultados prometedores, destacando un desempeño óptimo en la identificación de hojas sanas y afectadas por sarna, y un buen equilibrio entre sensibilidad y precisión en la detección del oídio. Estos resultados demuestran la viabilidad del uso de modelos de aprendizaje profundo en la detección automatizada de enfermedades foliares en frutales. Este estudio contribuye al desarrollo de soluciones tecnológicas accesibles y escalables para el monitoreo eficiente de enfermedades en cultivos de manzana, facilitando la toma de decisiones informadas en el manejo integrado de plagas y enfermedades.
Keywords
INTELIGENCIA ARTIFICIAL, DETECCIÓN DE ENFERMEDADES, OÍDIO, SARNA, YOLOV12, MANZANO, MALUS DOMESTICA, VISIÓN POR COMPUTADORA