Artificial vision model based on convolutional neural networks for black pod identification in cacao plantations

• Villalobos-Culqui, Cristian ^[1] ; García-Rivas-Plata, Cecilia ^[2] ; Tuesta-Hidalgo, Oscar Alejandro ^[3]
  1. [1] Universidad Nacional de San Martín

     Universidad Nacional de San Martín

     Tarapoto, Perú

     
  2. [2] Universidad Nacional Ciro Alegría
  3. [3] Universidad Nacional Autónoma de Alto Amazonas

  Mostrar afiliaciones +
• Localización: Revista científica de sistemas e informática, ISSN-e 2709-992X, Vol. 5, Nº. 1, 2025 (Ejemplar dedicado a: Revista Científica de Sistemas e Informática; e838)
• Idioma: inglés
• Títulos paralelos:
  • Modelo de visión artificial basada en redes neuronales convolucionales para identificación de mazorca negra en plantaciones de cacao
• Enlaces
  • Texto completo
• Dialnet Métricas: 1 Cita
• Resumen
  • español

    La detección temprana de la mazorca negra en plantaciones de cacao representa un desafío clave en el sector agrícola, ya que afecta el rendimiento y la calidad del grano. La falta de métodos avanzados dificulta su identificación oportuna. Este estudio desarrolla modelos de visión artificial basados en redes neuronales convolucionales (CNN) para mejorar su detección. Durante nueve meses, recolectamos y etiquetamos 1982 imágenes de mazorcas afectadas en cinco parcelas del sector Shitarillo, distrito de Alto Saposoa, San Martín. Implementamos YOLOv8, InceptionV3 y VGG19, aplicando transferencia de aprendizaje para optimizar la clasificación. Dividimos los datos en 70% para entrenamiento, 20% para validación y 10% para pruebas. YOLOv8 e InceptionV3 alcanzaron una precisión promedio del 79%, superando a VGG19. Las métricas de evaluación, junto con pruebas ANOVA y Tukey, confirmaron que ambos modelos ofrecieron un desempeño superior sin diferencias significativas entre ellos. YOLOv8 destacó por su mayor robustez y exactitud, lo que sugiere su implementación en sistemas de detección temprana para optimizar el control de la enfermedad en plantaciones de cacao.

  • English

    Early detection of black pod in cocoa plantations represents a key challenge in the agricultural sector, as it affects yield and grain quality. The lack of advanced methods hinders timely identification. This study develops artificial vision models based on convolutional neural networks (CNN) to improve detection. Over nine months, we collected and labeled 1,982 images of affected pods from five plots in the Shitarillo sector, Alto Saposoa district, San Martín. We implemented YOLOv8, InceptionV3, and VGG19, applying transfer learning to optimize classification. The dataset was split into 70% for training, 20% for validation, and 10% for testing. YOLOv8 and InceptionV3 achieved an average accuracy of 79%, outperforming VGG19. Evaluation metrics, along with ANOVA and Tukey tests, confirmed that both models provided superior performance with no significant differences between them. YOLOv8 stood out for its greater robustness and accuracy, suggesting its implementation in early detection systems to optimize disease control in cocoa plantations.