Análisis Comparativo de Redes Neuronales Convolucionales basadas en Transfer Learning para la Detección de Enfermedades Foliares en Banano
Autores/as
-
Vanessa Pamela Briones-Mera
Escuela Superior Politécnica Agropecuaria de Manabí Manuel Félix López, Carrera de Computación, Calceta, Manabí, Ecuador
https://orcid.org/0009-0009-5603-1504
-
Susana Valentina Zambrano-Cedeño
Escuela Superior Politécnica Agropecuaria de Manabí Manuel Félix López, Carrera de Computación, Calceta, Manabí, Ecuador
https://orcid.org/0009-0002-6791-183X
-
Javier Hernán López-Zambrano
Escuela Superior Politécnica Agropecuaria de Manabí Manuel Félix López, Carrera de Computación, Calceta, Manabí, Ecuador
https://orcid.org/0000-0002-3439-4066
DOI:
https://doi.org/10.33936/isrtic.v10i2.8543Palabras clave:
Banano, Transfer Learning, enfermedades foliares, Visión por computador, Redes Neuronales ConvolucionalesResumen
La detección temprana de enfermedades foliares en el cultivo de banano es crucial para minimizar pérdidas económicas y reducir el uso indiscriminado de agroquímicos. Este estudio presenta un análisis comparativo de la eficacia de diversas arquitecturas de redes neuronales convolucionales mediante Transfer Learning. Se evaluaron un total de 14 modelos, algunos clásicos y otros de última generación, agrupados en familias como ResNet, VGG, MobileNet y EfficientNet, sobre un conjunto de datos multiclase que abarca las patologías de mayor impacto en el sector del banano (Sigatoka, Cordana y Pestalotiopsis). Los resultados de los experimentos demuestran que, tras aplicar técnicas de aprendizaje por transferencia (transfer learning) como el ajuste fino (fine-tuning), el modelo EfficientNetV2L alcanzó el desempeño más destacado con una precisión del 99.35%. Este hallazgo supera los resultados de arquitecturas tradicionales y pone en manifiesto la eficiencia del escalado compuesto para capturar rasgos morfológicos complejos en las hojas de banano. Se concluye que la integración de estos modelos de aprendizaje profundo ofrece una herramienta de alta fidelidad para el diagnóstico automatizado en la agricultura de precisión.
Descargas
Citas
Arman, S. E., Bhuiyan, M. A. B., Abdullah, H. M., Islam, S., Chowdhury, T. T., & Hossain, M. A. (2023). Banana leaf spot diseases (BananaLSD) dataset (Version 1). Mendeley Data. https://doi.org/10.17632/9tb7k297ff.1
Arman, S. E., Bhuiyan, M. A. B., Abdullah, H. M., Islam, S., Chowdhury, T. T., & Hossain, M. A. (2023). BananaLSD: A banana leaf images dataset for classification of banana leaf diseases using machine learning. Data in Brief, 50, 109608. https://doi.org/10.1016/j.dib.2023.109608
Arriaga, G. S. N., Meza, C. W. G., & Painii, C. V. F. (2022). Uso de drones para el control de sigatoka negra (Mycosphaerella fijiensis) Vinces, Ecuador. ECOAgropecuaria Revista Científica Ecológica Agropecuaria, 1(2). https://doi.org/10.53591/recoa.v1i2.93
Aviles Amador, W. A. (2025). Impacto de los microorganismos endófitos en el manejo de la sigatoka negra (Mycosphaerella fijiensis) en el cultivo de banano (Musa x paradisiaca) en el Ecuador. [Trabajo de Titulación, Universidad Técnica de Babahoyo]. https://dspace.utb.edu.ec/server/api/core/bitstreams/3bb7fca0-07b2-43d1-891a-18fcd06209ad/content
Bangladesh Bureau of Statistics. (2024). Report on the Productivity Survey of Banana Crop. Ministry of Planning, Government of the People's Republic of Bangladesh. https://objectstorage.ap-dcc-gazipur-1.oraclecloud15.com/n/axvjbnqprylg/b/V2Ministry/o/office-bbs/2024/12/fda000e8cdfb4e7fa3b51324c14141e6.pdf
Barbedo, J. G. A. (2020). Detecting and classifying pests in crops using proximal images and machine learning: A review. AI, 1(2), 312-328. https://doi.org/10.3390/ai1020021
Cañetaco Barriga, R. E., & Chalco Siguachi, K. N. (2026). Evaluación de la eficiencia del tamaño de gota en aplicación aérea de fungicidas para controlar Sigatoka Negra (Mycosphaerella fijiensis) con dron en plantaciones de banano [Trabajo de Titulación, Universidad de Cuenca]. https://rest-dspace.ucuenca.edu.ec/server/api/core/bitstreams/f7c3939c-64d3-44ab-90c5-0ce99780cbb2/content
Cedeño Campoverde, K. J. (2024). Sistema de teledetección utilizando drones para la identificación de enfermedades de banano en la hacienda La Lorena [Trabajo de integración curricular, Universidad Técnica Estatal de Quevedo]. https://repositorio.uteq.edu.ec/server/api/core/bitstreams/2ca8ca66-a3c3-4aac-8452-dfd592c8a47b/content
Chollet, F. (2020). Transfer learning & fine-tuning. Keras Documentation. https://keras.io/guides/transfer_learning/
Corporación Financiera Nacional. (2024). Ficha sectorial banano. https://www.cfn.fin.ec/wp-content/uploads/2024/10/Ficha-Sectorial-Banano.pdf
De Oliveira, L. L., Nogueira, T. D. C., Carvalho, C. H. R., De Oliveira Santana, D., Silva, L. M., De Brito Dos Santos Batista, W., & Ullmann, M. R. D. (2025). Um modelo baseado em transferência de aprendizado profundo para detecção do mal-do-Panamá. Revista de Geopolítica, 16(4), e718. https://doi.org/10.56238/revgeov16n4-073
Enríquez Lapo, C. M. (2024). Influencia de factores climáticos en la producción de banano en la provincia de El Oro (Ecuador). Universidad Técnica de Machala.
FAO. 2021. The state of the world's land and water resources for food and agriculture – Systems at breaking point. Synthesis report 2021. Rome.
Ferrer-Sánchez, Y., Barahona-Manzaba, D. G., Plasencia, V. A. H., & Abasolo-Pacheco, F. (2024). Riesgo de expansión de Fusarium oxysporum f. cubense (Nectriaceae) ante el cambio climático en Ecuador continental. Acta Botanica Mexicana,131. https://doi.org/10.21829/abm131.2024.2207
Galarza Vera, J. J. (2024). Evaluación de alternativas fitosanitarias para el manejo de Sigatoka negra (Pseudocercospora fijiensis Morelet) en el cultivo de banano (Musa AAA) [Tesis de grado, Universidad Agraria del Ecuador]. Repositorio Digital de la Universidad Agraria del Ecuador. https://cia.uagraria.edu.ec/Archivos/GALARZA%20VERA%20JONATHAN%20JORDANO.pdf
Genet, Y. H., Sinshaw, N. T., Assefa, B. G., & Mohapatra, S. K. (2024). Sigatoka and Xanthomonas banana leaf disease detection via transfer learning. Scientia Iranica, 0(0), 0. https://doi.org/10.24200/sci.2024.62306.7766
Hosna, A., Merry, E., Gyalmo, J., Alom, Z., Aung, Z., & Azim, M. A. (2022). Transfer learning: a friendly introduction. Journal Of Big Data, 9(1). https://doi.org/10.1186/s40537-022-00652-w
Jiménez, N., Orellana, S., Mazon-Olivo, B., Rivas-Asanza, W., & Ramírez-Morales, I. (2025). Detection of leaf diseases in banana crops using deep learning techniques. AI, 6(3), 61. https://doi.org/10.3390/ai6030061
Li, Y., Nie, J., & Chao, X. (2020). Do we really need deep CNN for plant diseases identification? Computers And Electronics In Agriculture, 178, 105803. https://doi.org/10.1016/j.compag.2020.105803
Manggara, M. G., & Kalifia, A. D. (2025). Komparasi model ResNet50 dan EfficientNetV2M dengan penerapan transfer learning dan fine tuning pada klasifikasi penyakit bercak daun tanaman pisang. www.hostjournals.com. https://doi.org/10.47065/bulletincsr.v6i1.855
Martínez-Solórzano, G. E., & Rey-Brina, J. C. (2021). Bananos (Musa AAA): Importancia, producción y comercio en tiempos de Covid-19. Agron. Mesoam, 1034-1046. https://doi.org/10.15517/am.v32i3.43610
Montesdeoca Espinoza, L.J., Zambrano Rojas, S.J., Pinargote Bravo, V.J. & Cedeño Valarezo, L.C. (2025). Balanceo de conjuntos de datos basado en redes generativas aplicado a imágenes del sector agrícola. Informática y Sistemas 9(2), pp. 164-176 https://doi.org/10.33936/isrtic.v9i2.7782
Olivares, B. O., Vega, A., Rueda Calderón, M. Á., Rey, J. C., & Lobo, D. (2021). Clasificación de zonas afectadas por la marchitez en banano: Una aplicación con algoritmos de machine learning en Venezuela. Revista Especializada de Ingeniería y Ciencias de la Tierra, 1(1), 1–15. https://revistas.up.ac.pa/index.php/REICIT/article/view/2440/2230
Redacción Expreso. (2023, 26 de agosto). Se dispara la afectación de Sigatoka. Diario Expreso. https://www.expreso.ec/actualidad/economia/dispara-afectacion-sigatoka-171205.html
Sanga, S., Mero, V., Machuve, D., & Mwanganda, D. (2020, 7 abril). Mobile-based deep learning models for banana diseases detection. arXiv.org. https://arxiv.org/abs/2004.03718?utm_source202
Torres Salamea, H. M., Amores Romero, K. S., & Trelles Muñoz, K. G. (2022). Implementación de un sistema para detectar la enfermedad de la Sigatoka Negra en una plantación de banano empleando técnicas de visión artificial. Universidad del Azuay. https://dspace.uazuay.edu.ec/handle/datos/11682
Tripathi, J. N., Ntui, V. O., & Tripathi, L. (2023). Precision genetics tools for genetic improvement of banana. The Plant Genome, 17(2). https://doi.org/10.1002/tpg2.20416
Ünal, C. (2025). Incorporating deep learning into the diagnosis of banana leaf spot diseases for the protection of banana crops. Tarım Bilimleri Dergisi, 31(3), 780-794. https://doi.org/10.15832/ankutbd.1579442
Vera, Ch. J. D., & Carvajal, R. H. R. (2025). Avances en la inteligencia artificial para incrementar el rendimiento en los cultivos. AgroEcosistemas Revista Para la Transformación Agraria Sostenible, 13, e748. https://aes.ucf.edu.cu/index.php/aes/article/view/748
Villanueva, J. R. E., Ustate, L. M. T., Estrada, M. A. G., & Martínez, M. L. C. (2025). Segmentación foliar en sistemas de cultivo de banano: aplicaciones del flujo de trabajo fotogramétrico y teledetección mediante imágenes multiespectrales de aeronaves no tripuladas (UAS). Ciencia E Ingeniería Neogranadina, 35(1), 25-45. https://doi.org/10.18359/rcin.7365
Yosinski, J., Clune, J., Bengio, Y., & Lipson, H. (2014). How transferable are features in deep neural networks? Advances in Neural Information Processing Systems, 27, 3320-3328. https://proceedings.neurips.cc/paper/2014/hash/375c71349b295fbe2dcdca9206f20a06-Abstract.html
Zabala, C. J. J. (2024). Banana Scan: Aplicación Android para la detección de enfermedades en cultivos de banano mediante TinyML. https://hdl.handle.net/20.500.12495/14049
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Vanessa Pamela Briones-Mera, Susana Valentina Zambrano-Cedeño, Javier Hernán López-Zambrano
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Los artículos enviados a esta revista para su publicación serán liberados para su acceso abierto bajo una licencia Creative Commons con Reconocimiento No Comercial Sin Obra Derivada (http://creativecommons.org/licenses/by-nc-nd/4.0)
Los autores mantienen los derechos de autor, y, por lo tanto, son libres de compartir, copiar, distribuir, ejecutar y comunicar públicamente la obra bajo las condiciones siguientes: Reconocer los créditos de la obra especificada por el autor e indicar si se realizaron cambios (puede hacerlo de cualquier forma razonable, pero no de una manera que sugiera que el autor respalda el uso que hace de su obra. No utilizar la obra para fines comerciales. En caso de remezcla, transformación o desarrollo, no puede distribuirse el material modificado.
