Reconstrucción de entornos esteriores mediante imágenes aéreas y técnicas de deep learning

Abstract

Esta investigación propone un sistema basado en redes neuronales convolucionales para la detección temprana de enfermedades en cultivos agrícolas mediante imágenes multiespectrales. El modelo desarrollado utiliza una arquitectura CNN modificada con atención espacial para identificar patrones sutiles asociados con infecciones fúngicas en plantas de maíz y trigo.

La metodología combina técnicas de aumento de datos con transfer learning, utilizando modelos pre-entrenados en ImageNet como punto de partida. Se implementó un sistema de clasificación multi-etiqueta capaz de identificar simultáneamente el tipo de enfermedad y su severidad. Los experimentos se realizaron con un dataset de 15,000 imágenes capturadas en condiciones de campo reales durante dos ciclos agrícolas.

Los resultados demuestran que el sistema alcanza una precisión del 94.7% en la identificación de enfermedades, superando métodos tradicionales basados en análisis de color y textura. La principal contribución de este trabajo reside en la capacidad del modelo para generalizar across diferentes condiciones de iluminación y etapas de crecimiento de las plantas, facilitando su implementación en sistemas de monitoreo agrícola automatizados.