Detección de enfermedades en papa mediante deep learning usando YOLOv12

Resumen

La papa es un cultivo alimenticio esencial, pero su producción se ve amenazada por enfermedades como tizón temprano y tardío, cuya detección tardía genera pérdidas económicas y ambientales significativas. La detección temprana y precisa de enfermedades en cultivos es fundamental para garantizar la seguridad alimentaria y la sostenibilidad agrícola. En este trabajo, se propone un enfoque innovador basado en deep learning para la identificación automática de enfermedades en hojas de papa (Solanum tuberosum), mediante una arquitectura mejorada de YOLOv12 que sustituye parcialmente las redes neuronales convolucionales tradicionales por mecanismos de atención. El modelo fue entrenado con recursos computacionales accesibles (2× GPU NVIDIA T4 en Kaggle) y un conjunto de datos inicial compuesto por 363 imágenes originales (121 por clase: tizón temprano, tizón tardío y hojas sanas), ampliado a 920 mediante un pipeline de aumento de datos realista (rotación, flip, shear, ruido y variación de exposición). Gracias a la implementación de early stopping, el entrenamiento converge eficientemente en 43 épocas, alcanzando un rendimiento sobresaliente: precision = 0,9854, mAP50 = 0,9950 y recall = 1.0000, estos indicadores demuestran alta sensibilidad y especificidad, incluso con datos limitados. En conclusión, el sistema propuesto es una solución viable, robusta y escalable para su integración en aplicaciones de agricultura de precisión, facilitando diagnósticos tempranos y reduciendo la dependencia de inspecciones manuales.