Redes neuronales convolucionales para el reconocimiento de imágenes con presencia de cenicilla polvorienta en cultivos de tomate

La agricultura es considerada como una de las actividades que más impacta en la economía de los países. Por tal motivo, es de suma importancia atender los problemas que ésta enfrenta, entre los que destaca el control de enfermedades y plagas en los cultivos. Si este problema no es atendido se pueden presentar efectos graves en las plantas que afectarían la calidad y productividad del cultivo. En la actualidad, existen muchos trabajos de investigación enfocados en el desarrollo de sistemas inteligentes que permiten automáticamente diagnosticar enfermedades que presenta un cultivo a través del entrenamiento de Redes Neuronales Convolucionales (RNC) con un gran conjunto de imágenes. Sin embargo, la mayoría de las investigaciones entrenan sus modelos con imágenes adquiridas en ambientes controlados (iluminación y fondo), por lo que al ser entrenados con imágenes en un ambiente natural sus resultados no son tan eficientes. En este trabajo se presentan una metodología que implementa un proceso de mejora de la imagen para obtener un mejor resultado en los porcentajes de exactitud de la clasificación realizada por la RNC. El proceso ha sido aplicado al diagnóstico de la enfermedad cenicilla polvorienta en imágenes de cultivos de tomate. Las imágenes del cultivo fueron adquiridas en su ambiente natural, sin control de iluminación y fondo. Los resultados muestran que al aplicar la metodología el entrenamiento del RNC mejora en comparación de no aplicar en comparación del entrenamiento clásico.