Reconocimiento de enfermedades en hojas de maíz utilizando modelos de aprendizaje profundo
Corn leaf disease recognition using deep learning models
DOI:
https://doi.org/10.53591//iti.v17i24.2642Keywords:
Redes neuronales convolucionales, Aprendizaje profundo, Inteligencia artificial, Enfermedades de maízAbstract
Contexto: El maíz es uno de los cultivos más importantes a nivel mundial por su aporte a la seguridad alimentaria y a la economía agrícola, Sin embargo, las enfermedades foliares representan una amenaza creciente para su rendimiento. La identificación temprana es fundamental, en este contexto las técnicas de Inteligencia Artificial (IA) especialmente el aprendizaje profundo (Deep Learning), se está aplicando con éxito debido a su capacidad de analizar grandes volúmenes de imágenes. Métodos: Se construyó un dataset de 1079 imágenes de hojas de maíz y se evaluaron cuatro algoritmos preentrenados, junto con un modelo entrenado con arquitectura propia en dos escenarios: clasificación binaria (healthy vs. unhealthy) y multiclase (Stenocarpella, Roya común, Bipolaris, mancha de asfalto y saludable). Para el desarrollo del estudio, se siguió la metodología CRISP-ML. Resultados: En clasificación binaria, InceptionV3 alcanzó una precisión (accuracy) del 100%, el modelo Red Neuronal Convolucional (CNN) propuesto con pocas capas también alcanzo un 97 % de accuracy y 93 % en F1-score. Para la clasificación multiclase, DenseNet201 alcanzó el mejor rendimiento con 91% de accuracy. Conclusiones: estos resultados evidencian el potencial del aprendizaje profundo para la detección automatizada de enfermedades foliares del cultivo de maíz. Ofreciendo herramientas prometedoras para la agricultura 4.0.
References
Amin, H., Darwish, A., Hassanien, A. E., & Soliman, M. (2022). End-to-End Deep Learning Model for Corn Leaf Disease Classification. IEEE Access, 10, 31103–31115. https://doi.org/10.1109/ACCESS.2022.3159678
Arefin, M. Y., Rabbi, R., Turna, I. F., Zannat, Z., & Karim, D. Z. (2023). Lightweight Custom CNNs Take on Corn Leaf Disease: Deep Learning for Plant Pathology. International Conference on Electrical, Computer, Communications and Mechatronics Engineering, ICECCME 2023. https://doi.org/10.1109/ICECCME57830.2023.10252315
Baldota, S., Sharma, R., Khaitan, N., & Poovammal, E. (2021). A Transfer Learning Approach Using Densely Connected Convolutional Network for Maize Leaf Diseases Classification. 369–382. https://doi.org/10.1007/978-981-33-6862-0_31
Banco Central del Ecuador [BCE]. (2021). Información Estadística Mensual No. 2052 - FEBRERO 2023. https://contenido.bce.fin.ec/documentos/PublicacionesNotas/Catalogo/IEMensual/Indices/m2052022023.html
Bhat, S. A., & Huang, N. F. (2021). Big Data and AI Revolution in Precision Agriculture: Survey and Challenges. IEEE Access, 9, 110209–110222. https://doi.org/10.1109/ACCESS.2021.3102227
Chang, J., Wei, S., Liu, Y., Zhao, Z., & Shi, J. (2025). Harnessing Genetic Resistance in Maize and Integrated Rust Management Strategies to Combat Southern Corn Rust. Journal of Fungi 2025, Vol. 11, Page 41, 11(1), 41. https://doi.org/10.3390/JOF11010041
Coyoy, A. R., Perez, G. E., & Gomez, J. F. P. (2024). Diagnóstico del complejo mancha de asfalto en el cultivo de maíz en el Altiplano Central de Guatemala. ACI Avances En Ciencias e Ingenierías, 16(2), 10–10. https://doi.org/10.18272/ACI.V16I2.3340
Da Rocha, E. L., Rodrigues, L., & Mari, J. F. (2021). Maize leaf disease classification using convolutional neural networks and hyperparameter optimization. 104–110. https://doi.org/10.5753/WVC.2020.13489
Estrada, M. (2021). Principales enfermedades del maíz (Zea mays, L.) en Ecuador. Revista Científica Agro- Ecosistemas, 9(2), 53–59. https://scholar.archive.org/work/q5slrejw7vfxvn2h5vve3wcbmi/access/wayback/https://aes.ucf.edu.cu/index.php/aes/article/download/469/446/
FAO. (2023). PERSPECTIVAS DE COSECHAS y Informe trimestral mundial SITUACIÓN ALIMENTARIA SMIA-Sistema mundial de información y alerta sobre la alimentación y la agricultura. https://doi.org/10.4060/cc4665es
Fraiwan, M., Faouri, E., & Khasawneh, N. (2022). Classification of Corn Diseases from Leaf Images Using Deep Transfer Learning. https://doi.org/10.3390/plants11202668
Haque, M. A., Marwaha, S., Deb, C. K., Nigam, S., & Arora, A. (2023). Recognition of diseases of maize crop using deep learning models. Neural Computing and Applications, 35(10), 7407–7421. https://doi.org/10.1007/S00521-022-08003-9
He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2016-December, 770–778. https://doi.org/10.1109/CVPR.2016.90
Hu, R., Zhang, S., Wang, P., Xu, G., Wang, D., & Qian, Y. (2020). The identification of corn leaf diseases based on transfer learning and data augmentation. ACM International Conference Proceeding Series, 58–65. https://doi.org/10.1145/3403746.3403905
Huang, G., Liu, Z., Van Der Maaten, L., & Weinberger, K. Q. (2017). Densely connected convolutional networks. Proceedings - 30th IEEE Conference on Computer Vision and Pattern Recognition, CVPR 2017, 2017-January, 2261–2269. https://doi.org/10.1109/CVPR.2017.243
Instituto Nacional de Estadística y Censos [INEC]. (2024). Encuesta de Superficie y Producción Agropecuaria Continua ESPAC.
Kumar, R., Chug, A., Singh, A. P., & Singh, D. (2022). [Retracted] A Systematic Analysis of Machine Learning and Deep Learning Based Approaches for Plant Leaf Disease Classification: A Review. Journal of Sensors, 2022(1), 3287561. https://doi.org/10.1155/2022/3287561
Lebrini, Y., Gotor, A. A., Lykas, C., & Scortichini, M. (2024). Crops Disease Detection, from Leaves to Field: What We Can Expect from Artificial Intelligence. https://doi.org/10.3390/agronomy14112719ï
Li, L., & Lai, Y. (2019). A Comparison of Traditional Machine Learning and Deep Learning in Image Recognition. Journal of Physics: Conference Series, 1314(1), 012148. https://doi.org/10.1088/1742-6596/1314/1/012148
Liu, Y., Cheng, W., Zhao, Z., Kang, B., He, P., He, P., Wu, Y., Munir, S., & He, Y. (2025). First Report of Stenocarpella macrospora Causing Diplodia Leaf Streak Disease of Maize in Yunnan Province, China. Plant Disease, 109(3), 715. https://doi.org/10.1094/PDIS-10-24-2127-PDN,
Ma, Z., Wang, Y., Zhang, T., Wang, H., Jia, Y., Gao, R., & Su, Z. (2022). Maize leaf disease identification using deep transfer convolutional neural networks. International Journal of Agricultural and Biological Engineering, 15(5), 187–195. https://doi.org/10.25165/IJABE.V15I5.6658
Mayorga, K. (2017). ESTUDIO DE PATOSISTEMAS EN MAÍZ (Zea mays. L) EN ZONAS PRODUCTORAS A NIVEL LITORAL (GUAYAS, LOS RÍOS Y MANABÍ). UNIVERSIDAD AGRARIA DEL ECUADOR .
Meshram, S., Gogoi, R., Bashyal, B. M., Kumar, A., Mandal, P. K., & Hossain, F. (2022). Comparative Transcriptome Analysis of Fungal Pathogen Bipolaris maydis to Understand Pathogenicity Behavior on Resistant and Susceptible Non-CMS Maize Genotypes. Frontiers in Microbiology, 13, 837056. https://doi.org/10.3389/FMICB.2022.837056/BIBTEX
Murillo Parraga, L. M., & Silva Villafuerte, C. A. (2025). CornLeafDiseaseCollection. 1. https://doi.org/10.17632/W56XXNYKCC.1
Nguyen, Q. H., Ly, H. B., Ho, L. S., Al-Ansari, N., Van Le, H., Tran, V. Q., Prakash, I., & Pham, B. T. (2021). Influence of Data Splitting on Performance of Machine Learning Models in Prediction of Shear Strength of Soil. Mathematical Problems in Engineering, 2021, 1–15. https://doi.org/10.1155/2021/4832864
Palacios, N., Zambrano, J., & Murillo, M. (2023). Factores de producción como determinantes de la productividad del maíz en la provincia de Manabí. Sinergia, 14(1), 87–96. https://doi.org/10.33936/ecasinergia.v14i1.4178
Rajeena P. P, F., S. U, A., Moustafa, M. A., & Ali, M. A. S. (2023). Detecting Plant Disease in Corn Leaf Using EfficientNet Architecture—An Analytical Approach. Electronics 2023, Vol. 12, Page 1938, 12(8), 1938. https://doi.org/10.3390/ELECTRONICS12081938
Román, A., Monar, C., Silva, D., & Rodríguez, E. (2018). Fitopatógenos asociados a enfermedades foliares de maíz en la provincia de bolívar. Revista de Investigación TALENTOS, ISSN-e 2631-2476, No. Extra 1, 2018 (Ejemplar Dedicado a: Revista de Investigación Talentos - Edición Especial), Págs. 544-553, 1, 544–553. https://dialnet.unirioja.es/servlet/articulo?codigo=8551248&info=resumen&idioma=ENG
Saeed, F., Khan, M. A., Sharif, M., Mittal, M., Goyal, L. M., & Roy, S. (2021). Deep neural network features fusion and selection based on PLS regression with an application for crops diseases classification. Applied Soft Computing, 103, 107164. https://doi.org/10.1016/J.ASOC.2021.107164
Shoaib, M., Shah, B., EI-Sappagh, S., Ali, A., Ullah, A., Alenezi, F., Gechev, T., Hussain, T., & Ali, F. (2023). An advanced deep learning models-based plant disease detection: A review of recent research. Frontiers in Plant Science, 14, 1158933. https://doi.org/10.3389/FPLS.2023.1158933/BIBTEX
Simonyan, K., & Zisserman, A. (2014). Very Deep Convolutional Networks for Large-Scale Image Recognition. 3rd International Conference on Learning Representations, ICLR 2015 - Conference Track Proceedings. https://arxiv.org/pdf/1409.1556
Studer, S., Bui, T. B., Drescher, C., Hanuschkin, A., Winkler, L., Peters, S., & Müller, K. R. (2021). Towards CRISP-ML(Q): A Machine Learning Process Model with Quality Assurance Methodology. Machine Learning and Knowledge Extraction 2021, Vol. 3, Pages 392-413, 3(2), 392–413. https://doi.org/10.3390/MAKE3020020
Szegedy, C., Vanhoucke, V., Ioffe, S., Shlens, J., & Wojna, Z. (2016). Rethinking the Inception Architecture for Computer Vision. Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2016-December, 2818–2826. https://doi.org/10.1109/CVPR.2016.308
Tamayo, J. R., Osorio, J. T., & Mancera, E. R. (2024). Detección de enfermedades en cultivos de maíz mediante imágenes con visión artificial: un caso práctico. Revista Científica Ciencia y Tecnología, 24(41), 41. https://doi.org/10.47189/RCCT.V24I41.681
Tan, L., Lu, J., & Jiang, H. (2021). Tomato Leaf Diseases Classification Based on Leaf Images: A Comparison between Classical Machine Learning and Deep Learning Methods. AgriEngineering 2021, Vol. 3, Pages 542-558, 3(3), 542–558. https://doi.org/10.3390/AGRIENGINEERING3030035
Tan, M., & Le, Q. V. (2021). EfficientNetV2: Smaller Models and Faster Training. Proceedings of Machine Learning Research, 139, 10096–10106. https://arxiv.org/pdf/2104.00298
Tharwat, A. (2020). Classification assessment methods. https://doi.org/10.1016/j.aci.2018.08.003
Verma, S., Kumar, P., & Singh, J. P. (2024). A Unified Lightweight CNN-based Model for Disease Detection and Identification in Corn, Rice, and Wheat. IETE Journal of Research, 70(3), 2481–2492. https://doi.org/10.1080/03772063.2023.2181229
Zambrano, C. E., & Arias, M. S. A. (2021). And prices of hard corn pre and post covid-19 inproductivity ecuador. Universidad y Sociedad, 13(4).
