Análisis de algoritmos de aprendizaje automático para detectar la roya de café

Abstract

El objetivo de la investigación consiste en analizar algoritmos de aprendizaje automático para la detección de roya de café. En este contexto, se emplearon algoritmos supervisados, entre los cuales se incluyen Random Forest (RF), Decision Tree (DT), Support Vector Machine (SVM) y Custom Convolutional Neural Networks (CNN). Para llevar a cabo el entrenamiento de dichos algoritmos, se utilizó un conjunto de datos compuesto por 6260 imágenes de hojas de café, tanto saludables como no saludables. Es importante señalar que se implementó un proceso de preprocesamiento inicial que implicó la eliminación del fondo de las imágenes. Dentro de la metodología empleada, se asignó el 80% de las imágenes al conjunto de entrenamiento, mientras que el 20% restante se destinó a la validación del modelo. Asimismo, se documenta detalladamente el proceso de selección e implementación de cada algoritmo, acompañado de las correspondientes métricas de precisión, exactitud, sensibilidad y la puntuación F1. Los resultados obtenidos indican que el algoritmo Decision Tree se destaca como el más eficaz en la detección del patógeno en cuestión, alcanzando un rendimiento del 99%. En conclusión, este estudio demuestra de manera concluyente que los algoritmos de aprendizaje automático representan una herramienta sumamente prometedora para la detección de la roya del café