Sistema de Diagnóstico de Enfermedades en Cultivos Agrícolas mediante Inteligencia Artificial y Visión por Computador en el Departamento de Santander, 2026

Abstract

El presente trabajo de grado tuvo como objetivo desarrollar un sistema de diagnóstico de enfermedades en cultivos agrícolas mediante inteligencia artificial y visión por computador, dirigido a pequeños y medianos productores del departamento de Santander, ante la dificultad de acceso a asesoría técnica especializada en las zonas rurales de la región.

Metodológicamente, se construyó un conjunto de datos de aproximadamente 55.469 imágenes a partir de repositorios públicos (PlantVillage, Cassava, Corn, Cacao y Coffee), complementados con fotografías recolectadas directamente en fincas de la zona de Rionegro. Sobre este conjunto se entrenó un modelo de clasificación basado en la arquitectura EfficientNetB0 mediante transfer learning, en dos fases: entrenamiento de las capas superiores con la base congelada y posterior ajuste fino de las últimas cincuenta capas. El modelo se integró en una API REST desarrollada en FastAPI, consumida por una aplicación web en React y una aplicación móvil en React Native.

Como resultado, el modelo alcanzó una precisión de validación del 87,99% sobre 30 clases correspondientes a siete cultivos: café, maíz, tomate, papa, yuca, cacao y pimentón. El sistema fue desplegado en producción y permite al usuario obtener, a partir de una fotografía, el diagnóstico de la enfermedad, el nivel de confianza, la severidad estimada, las predicciones alternativas, el tratamiento recomendado y las medidas preventivas. Adicionalmente se implementaron módulos de historial de diagnósticos, comunidad de usuarios y estadísticas.

Se concluye que el sistema constituye una herramienta viable y funcional para apoyar la toma de decisiones fitosanitarias en la región, superando la meta de precisión del 85% establecida en los objetivos y demostrando que las arquitecturas eficientes de aprendizaje profundo pueden desplegarse exitosamente en contextos rurales con recursos limitados.