Investigadores de la Universidad Nacional de San Cristóbal de Huamanga compararon siete modelos de aprendizaje profundo para reconocer enfermedades del fruto y daños foliares, identificando alternativas con menores exigencias computacionales para futuros dispositivos móviles.
Redacción: Redacción Mundo Agropecuario BET
Editor: Karem Díaz S.
Un equipo de investigadores peruanos ha identificado modelos compactos de inteligencia artificial que podrían facilitar el reconocimiento automatizado de enfermedades y plagas del aguacate mediante dispositivos electrónicos de bajo costo. El estudio, publicado el 16 de noviembre de 2026 en la revista científica Agriculture, comparó siete arquitecturas de aprendizaje profundo utilizando fotografías de frutos obtenidas en laboratorio e imágenes de hojas captadas en plantaciones comerciales de México.
La investigación, encabezada por Jose Yauri y Emerson Navarro-Guillén, de la Universidad Nacional de San Cristóbal de Huamanga, busca aportar criterios técnicos para desarrollar herramientas de diagnóstico fitosanitario accesibles a productores que no disponen de equipos informáticos avanzados.
Siete modelos de inteligencia artificial sometidos a comparación
Los investigadores evaluaron cinco arquitecturas recientes de visión artificial: MambaOut-Femto, FastViT-S12, MobileOne-S0, MobileNetV4-Conv-Small y EfficientViT-M0. También incorporaron EfficientNet-B0 y ResNet-50 como referencias convencionales.
El objetivo no consistió en diseñar un algoritmo completamente nuevo, sino en determinar cuáles de las arquitecturas disponibles ofrecen una relación más favorable entre capacidad de reconocimiento y consumo de recursos informáticos.
Esta cuestión adquiere especial importancia cuando se pretende ejecutar aplicaciones agrícolas directamente en teléfonos inteligentes o pequeños dispositivos electrónicos, sin depender permanentemente de servidores remotos.
La utilización de fotografías convencionales para obtener información agronómica mediante inteligencia artificial ya está siendo explorada en otros cultivos, como el trigo. La investigación peruana traslada este principio al reconocimiento de problemas fitosanitarios del aguacate, prestando especial atención a la eficiencia computacional.
Enfermedades del fruto analizadas mediante fotografías
El primer escenario experimental comprendió 569 fotografías originales de aguacates sanos o afectados por sarna y antracnosis. El conjunto incluía también versiones modificadas de las imágenes mediante rotaciones e inversiones.
Para evitar que fotografías prácticamente idénticas aparecieran simultáneamente en los grupos de entrenamiento y evaluación, los investigadores organizaron las imágenes según su procedencia original. Este procedimiento reduce el riesgo de obtener resultados artificialmente elevados.
En esta evaluación, MambaOut-Femto alcanzó una exactitud media del 86,12 %. Su comportamiento fue comparable estadísticamente al de MobileOne-S0 y ResNet-50.
Las lesiones pequeñas o correspondientes a etapas iniciales de la antracnosis estuvieron entre las principales dificultades de clasificación, debido a que algunos frutos afectados fueron confundidos con ejemplares sanos.
Esta limitación resulta especialmente relevante para las instalaciones de clasificación poscosecha, donde reconocer alteraciones incipientes puede contribuir a identificar partidas que requieren inspecciones adicionales.
Reconocimiento de tres plagas en hojas de aguacate
El segundo escenario utilizó 1.897 imágenes de hojas procedentes de explotaciones comerciales de los estados mexicanos de Morelos y Guerrero.
Las fotografías correspondían a plantas afectadas por tres organismos perjudiciales:
Ácaro del aguacate: Oligonychus perseae.
Minador de la hoja: Caloptilia perseae.
Araña roja: Oligonychus punicae.
A diferencia de las imágenes obtenidas en laboratorio, estas fotografías presentaban variaciones naturales de iluminación, sombras, diferentes fondos y señales de daño con distintos grados de intensidad.
FastViT-S12 obtuvo un coeficiente de correlación de Matthews del 96,55 %, seguido por MambaOut-Femto, con un 96,42 %.
Este indicador estadístico permite valorar la calidad de las clasificaciones considerando los aciertos y errores del sistema. No debe confundirse directamente con el porcentaje de imágenes correctamente identificadas.
El reconocimiento de alteraciones foliares mediante imágenes también está siendo incorporado a sistemas automatizados de detección y tratamiento fitosanitario en cultivos arbóreos. Sin embargo, el trabajo peruano se concentra en la evaluación comparativa de los algoritmos, sin incorporar maquinaria de aplicación de tratamientos.
Modelos más pequeños para dispositivos agrícolas económicos
Uno de los resultados de mayor interés tecnológico corresponde a MobileOne-S0, cuya arquitectura permite simplificar las operaciones necesarias durante el análisis de nuevas imágenes.
Después de aplicar su procedimiento de reparametrización, el modelo requiere aproximadamente 1,06 millones de parámetros, frente a los 23,51 millones de ResNet-50.
También presenta unas exigencias de cálculo considerablemente inferiores, sin que los resultados obtenidos en la clasificación de frutos indiquen una pérdida estadísticamente significativa respecto a los modelos mejor posicionados.
Esta característica convierte a MobileOne-S0 en un candidato para futuras aplicaciones móviles de inspección de aguacates.
La ventaja potencial reside en poder realizar parte del procesamiento dentro del propio dispositivo, reduciendo las necesidades de conectividad y transferencia de información hacia plataformas externas.
El diagnóstico visual necesita complementar otras tecnologías
El análisis automatizado de fotografías depende de la existencia de señales visuales que puedan ser reconocidas por los algoritmos. Cuando una enfermedad todavía no produce alteraciones perceptibles, pueden ser necesarias otras técnicas de vigilancia.
En este sentido, los sensores capaces de registrar directamente las respuestas químicas y fisiológicas de las plantas representan una línea tecnológica complementaria, especialmente para investigar problemas que comienzan antes de la aparición de síntomas externos.
La combinación de información visual, mediciones fisiológicas y evaluaciones fitopatológicas podría contribuir al desarrollo de sistemas de diagnóstico más completos.
No obstante, la investigación realizada en Perú no evaluó esta integración tecnológica ni demostró la detección de infecciones antes de la manifestación de síntomas.
La tecnología todavía necesita validación en teléfonos inteligentes
Los modelos fueron evaluados mediante infraestructura informática especializada. Los investigadores todavía deben comprobar sus tiempos de respuesta, consumo energético y comportamiento efectivo en dispositivos móviles.
También será necesario incorporar fotografías de hojas sanas, casos de infestaciones simultáneas y síntomas iniciales para ampliar la utilidad de las clasificaciones.
Otro aspecto importante es que los modelos correspondientes a frutos y hojas fueron entrenados por separado. El estudio no presenta una aplicación única capaz de reconocer automáticamente todas las enfermedades y plagas evaluadas.
La aportación de esta investigación consiste en identificar arquitecturas informáticas que combinan capacidad predictiva y eficiencia computacional, proporcionando una base experimental para desarrollar futuras herramientas de inspección fitosanitaria destinadas a productores, técnicos agrícolas y operadores de instalaciones poscosecha.

