Análisis comparativo de modelos de inteligencia artificial para la detección de enfermedades en cultivos tropicales

Comparative analysis of artificial intelligence models for the detection of diseases in tropical crops

Resumen

Los cultivos tropicales como el cacao, el banano y el café constituyen pilares de la economía agrícola ecuatoriana; sin embargo, son vulnerables a enfermedades fitosanitarias que reducen su rendimiento entre un 20% y un 80%. La detección oportuna sigue siendo un desafío crítico, especialmente en zonas rurales con acceso limitado a especialistas agrónomos. Comparar el desempeño de los principales modelos de inteligencia artificial aplicados a la detección de enfermedades en cultivos tropicales, evaluando su precisión, viabilidad computacional y aplicabilidad en contextos agrícolas de países en desarrollo. Se realizó una revisión sistemática de la literatura siguiendo las pautas PRISMA, con 47 estudios publicados entre 2020 y 2025, recuperados de bases de datos científicas como Scopus, Web of Science e IEEE Xplore. Se analizaron ocho arquitecturas de aprendizaje profundo AlexNet, VGG-16, ResNet-50, Inception-V3, MobileNet-V2, EfficientNet-B4, YOLOv5 y Vision Transformer (ViT-B/16) preentrenadas en ImageNet y ajustadas mediante fine-tuning sobre conjuntos de datos agrícolas como PlantVillage y PlantDoc. Las métricas de evaluación incluyeron precisión, recall, F1-Score y AUC-ROC. EfficientNet-B4 obtuvo el mejor desempeño global con una precisión del 96.1%, un F1-Score del 95.7% y un AUC-ROC de 0.989. Vision Transformer y ResNet-50 presentaron resultados competitivos. En entornos con recursos computacionales limitados, MobileNet-V2 demostró ser la opción más adecuada, con 3.4 millones de parámetros y tiempos de inferencia inferiores a 100 ms. Los modelos de aprendizaje profundo han madurado suficientemente para apoyar el diagnóstico fitosanitario en campo. La elección del modelo debe considerar el balance entre precisión, costo computacional y disponibilidad de datos locales.