Detección de Sigatoka negra implementando técnicas de aprendizaje de máquina mediante imágenes multiespectrales en cultivos productivos de banano en el departamento del Magdalena, Colombia

Abstract

El banano es una de las frutas mas importantes a nivel mundial, en Colombia el departamento del Magdalena aporta aproximadamente el 29% de las exportaciones. Sin embargo, esta plantacion es propensa a enfermedades por características de las zonas tropicales y subtropicales donde son cultivadas, además de su forma de monocultivo. Una de las enfermedades principales que afecta el banano es la Sigatoka negra, la cual causa necrosis y clorosis en las hojas, de manera que, a los agricultores les representa perdidas entre el 15% y el 27% anuales. En campo, esta enfermedad es diagnosticada por medio de inspección visual de los expertos empíricos o académicos, lo que conlleva una gran cantidad de tiempo y costos para el agricultor. Se han implementado diversas técnicas de aprendizaje de máquina utilizando imágenes de drones para detectar enfermedades foliares, además, el uso de otros espectros como el borde de rojo e infrarrojo cercano como datos suplementarios. Por lo anterior, esta investigación realizo un análisis de las técnicas de aprendizaje de máquina para la detección de Sigatoka negra mediante imágenes multiespectrales tomadas por dron en cultivos productivos del departamento del Magdalena, Colombia. Obteniendo un conjunto de datos de imágenes con su representación en falso color para la evaluación de diversas técnicas, de las cuales se destaca la evaluación de arquitecturas de clasificación como MobileNet puede detectar la Sigatoka negra con un 75% de precisión con imágenes de Falso Color compuesta por la banda del rojo, borde de rojo e infrarrojo cercano. Mientras que, en algoritmo de detección se obtiene que el mejor modelo es Yolov8 con un mAP>0,5 del 57,9% con imágenes del espectro visible, encontrando que el enfoque de clasificación es mas eficiente para encontrar esta enfermedad con imágenes multiespectrales.