Las Redes neuronales convolucionales ResNet-50 para la detección de gorgojo en granos de maíz

Abstract

El artículo explora el uso de redes neuronales convolucionales, específicamente ResNet-50, para detectar gorgojos en granos de maíz. Los gorgojos son una plaga importante en el maíz almacenado y pueden causar pérdidas significativas en rendimiento y calidad. El estudio encontró que el modelo ResNet-50 fue capaz de distinguir con alta precisión entre granos de maíz infestados por gorgojos y granos sanos, logrando valores de 0.9464 para precisión, 0.9310 para sensibilidad, 0.9630 para especificidad, 0.9469 para el índice de calidad, 0.9470 para el área bajo la curva (AUC) y 0.9474 para el F-score. El modelo fue capaz de reconocer nueve de cada diez granos de maíz libres de gorgojos utilizando un número mínimo de muestras de entrenamiento. Estos resultados demuestran la eficacia del modelo en la detección precisa de la infestación por gorgojos en los granos de maíz. La capacidad del modelo para identificar con precisión los granos afectados por gorgojos es crucial para tomar medidas rápidas y controlar la propagación de la plaga, lo que puede prevenir pérdidas económicas considerables y preservar la calidad del maíz almacenado. La investigación sugiere que el uso de ResNet-50, ofrece una solución eficiente y de bajo costo para la detección temprana de la infestación por gorgojos en los granos de maíz. Estos modelos pueden procesar rápidamente grandes cantidades de datos de imágenes y realizar análisis precisos, lo que facilita la identificación de granos afectados.

Keywords

• Gorgojo
• maíz
• redes neuronales convolucionales
• Ecuador