Bio-Inspired Optimization of Convolutional Neural Networks for Enhanced Maize Disease Detection in Precision Agriculture

Abstract

Objetivo: El propósito de este estudio es desarrollar un sistema automatizado, basado en imágenes, para la detección temprana de cuatro enfermedades comunes del maíz—Puccinia sorghi, Cochliobolus carbonum, Bipolaris maydis y Exserohilum turcicum—empleando Redes Neuronales Convolucionales optimizadas mediante algoritmos bioinspirados.

Diseño/metodología/aproximación: Se utilizó un conjunto de 17,280 imágenes de alta resolución, capturadas en seis etapas de evolución de la enfermedad. Las imágenes fueron preprocesadas mediante normalización, redimensionamiento y aumento de datos. La arquitectura CNN fue entrenada utilizando dos algoritmos metaheurísticos—Spider Monkey Optimization y Squirrel Search Algorithm—para ajustar pesos e hiperparámetros. Se empleó una partición de datos 80/20 (entrenamiento/validación) y se evaluó el desempeño con métricas estándar de clasificación.

Resultados: La CNN optimizada con SMO superó en rendimiento al modelo ajustado con SSA, alcanzando una precisión del 95.14% frente al 89.74%. Además, mostró mejores valores en precisión, sensibilidad y puntuación F1, incluso al distinguir síntomas visualmente similares.

Limitaciones del estudio/implicaciones: Aunque SMO mejoró significativamente la clasificación, su complejidad computacional podría dificultar su implementación en contextos con recursos limitados. Persisten algunos errores de clasificación entre enfermedades de apariencia semejante, lo que sugiere la necesidad de mejorar la discriminación de características e incorporar conjuntos de datos más amplios y variados.

Hallazgos/conclusiones: La combinación de CNN con SMO demuestra ser una solución eficaz y robusta para el diagnóstico automatizado de enfermedades en cultivos de maíz, reduciendo tiempos de análisis y favoreciendo una gestión agrícola más precisa. Se recomienda continuar con el desarrollo de métodos híbridos de optimización para mejorar la escalabilidad y su aplicación en tiempo real dentro de contextos de agricultura de precisión.