Ryan A. León León, Maytte B. Bravo Aranda, Xiomara Castañeda Guanilo, Sharon E. Juárez Horna, Hebelio E. Silva Gamboa

Memorias de la Vigésima Tercera Conferencia Iberoamericana en Sistemas, Cibernética e Informática: CISCI 2024, pp. 424-431 (2024); https://doi.org/10.54808/CISCI2024.01.424

Ryan A. León León
La Libertad, Universidad Privada del Norte, Trujillo, Perú

Maytte B. Bravo Aranda
La Libertad, Universidad Privada del Norte, Trujillo, Perú

Xiomara Castañeda Guanilo
La Libertad, Universidad Privada del Norte, Trujillo, Perú

Sharon E. Juárez Horna
La Libertad, Universidad Privada del Norte, Trujillo, Perú

Hebelio E. Silva Gamboa
La Libertad, Universidad Privada del Norte, Trujillo, Perú

Cite this paper as:
León León, R. A., Bravo Aranda, M. B., Castañeda Guanilo, X., Juárez Horna, S. E., Silva Gamboa, H. E. (2024). Desarrollo de Visión Artificial para la Detección de la Plaga Prodiplosis Longifila o Caracha en el Cultivo del Tomate. En N. Callaos, Jesús de la Fuente Arias, J. Horne, B. Sánchez, A. Tremante (Eds.), Memorias de la Vigésima Tercera Conferencia Iberoamericana en Sistemas, Cibernética e Informática: CISCI 2024, pp. 424-431. International Institute of Informatics and Cybernetics. https://doi.org/10.54808/CISCI2024.01.424

El presente artículo tiene como fin la detección de la plaga prodiplosis en el fruto de tomate, problema que necesita ser detectado a tiempo para evitar pérdidas en las cosechas, mejorando el entrenamiento de una red neuronal convolucional con un conjunto de datos como son las fotos capturadas en la zona de cultivo a las diversas plantas que contienen la plaga y a otras plantas sanas siendo necesarias para una mejor detección, usando un lenguaje de programación Python, por ser un lenguaje con mayor facilidad de aprendizaje, complementando el correcto desarrollo y elaboración del modelo esperado. La red neuronal usada es Yolo v8, una de las versiones de detección con mayor precisión y velocidad para el uso en diferentes sectores. Para el desarrollo del presente artículo se tuvo en cuenta un total de 352 fotos del fruto de tomate a full color entre ellas frutos con plaga y frutos sin plaga, dividiéndose en 234, 59 y 59, para el entrenamiento, validación y prueba respectivamente. Finalmente se concluye que la red neuronal obtuvo el resultado deseado con una precisión del 98,32% y una exactitud del 98,01%.