Aplicación de técnicas de Machine Learning en la detección de enfermedades en cultivos de arroz: Una revisión sistemática

Abstract

El arroz es un cultivo de gran importancia a nivel mundial, pero su producción se ve amenazada por diversas enfermedades que afectan el rendimiento y calidad del grano. En este contexto, la presente investigación realizó una revisión sistemática de las técnicas de Machine Learning aplicadas en la detección de enfermedades en cultivos de arroz. Se empleó la metodología Prisma para la selección de estudios relevantes y se compararon diferentes modelos de aprendizaje profundo y tradicional. Los resultados evidenciaron que las redes neuronales convolucionales (CNN), especialmente aquellas con Transfer Learning, presentaron los mejores desempeños en términos de precisión y exactitud. También, se identificó que la integración de datos multiespectrales y térmicos pueden mejorar la capacidad de detección. La discusión analizó la coherencia de estos hallazgos con la literatura existente y resaltó la necesidad de optimizar la recolección de datos para mejorar la generalización de los modelos. Se concluyó que las técnicas de Machine Learning presentan una herramienta efectiva para el monitoreo de enfermedades en cultivos de arroz, con potencial para su implementación en sistemas de agricultura de precisión. Finalmente, se recomienda explorar enfoques híbridos y automatización del proceso de recolección de imágenes para futuras investigaciones.