Page 80 - SM78

U.M.S.N.H. Año 13/ Noviembre - Diciembre/ No. 78

delos de aprendizaje es a través de herramientas di- dades, lo que puede ocasionar una disminución en
gitales como aplicaciones móviles, las cuales brin- los resultados obtenidos cuando se aplica a un es-
dan asesoramiento a los productores en relación cenario real. Se necesita entrenar a los modelos de

con sus cultivos, a la vez que les permiten hacer aprendizaje automático con una enorme cantidad
diagnósticos de enfermedades, lo cual les ayuda a de datos de las diferentes enfermedades acorde al
tomar medidas correctivas. cultivo, lo que impactaría en tiempos de entrena-
Esta herramienta resulta especialmente be- miento y en demanda de equipo de cómputo sofis-

neficiosa para aquellos productores que no tie- ticado.
nen los recursos económicos para contratar ex- Finalmente, se podrían obtener resultados
pertos que monitoreen sus cultivos, o que carecen erróneos debido a que existen similitudes en las
del conocimiento necesario para identificar enfer- propiedades causadas tanto por factores infec-

medades. ciosos como no infecciosos. Esto se puede sol-
A pesar de los avances logrados en estos mé- ventar por medio de la introducción de mayor in-
todos visuales, la detección de enfermedades en formación relacionada, por ejemplo, con clima,
plantas en entornos del mundo real sigue siendo geografía, tipos de fertilizantes usados, entre otras

un desafío. Existen varios retos que deben consi- cosas. Esta información complementaria puede
derarse para mejorar las técnicas, uno de ellos son incrementar la precisión en la detección de la en-
los datos mejorados. El conjunto de datos uti- fermedad correcta.
lizados para el entrenamiento debe ser su-

ficiente, contener una gran cantidad de
imágenes y que esa cantidad esté dis-
tribuida balanceadamente entre to-
das las categorías de enfermedades

que se desean detectar. Si no se tiene
un balance correcto, la detección no
será tan confiable.
Otro de los retos está relacio-

nado con la diversidad de enferme-

AGRIO. (2019). Aplicación para identificar enfermedades y no-a-proteger-la-fruta-favorita-del-planeta.aspx
plagas en las plantas. https://agrio.app/App-para-identifi-
car-enfermedades-y-plagas-en-las-plantas/ Universitat de Barcelona. (2022). La inteligencia artificial,
base de una aplicación para detectar enfermedades y plagas
GOV.CO. (2019). La inteligencia artificial ayuda a los pro- en cultivos hortícolas. https://web.ub.edu/es/web/actuali-
ductores de banano a proteger la fruta favorita del planeta. tat/w/la-inteligencia-artificial-base-de-una-aplicacion-pa-
https://www.agronet.gov.co/Noticias/Paginas/La-inte- ra-detectar-enfermedades-y-plagas-en-cultivos-hortico-
ligencia-artificial-ayuda-a-los-productores-de-bana- las

80