Sistema de diagnóstico automático de enfermedades foliares en mango (Mangifera indica L.) basado en MobileNetV2

Automatic diagnostic system for mango (Mangifera indica L.) leaf diseases trees based on MobileNetV2

El cultivo del mango (Mangifera indica L.) es vulnerable a múltiples enfermedades foliares que impactan severamente su productividad, por lo cual la identificación temprana es fundamental para mitigar pérdidas económicas. El objetivo de esta investigación fue entrenar y evaluar un modelo de clasificación de enfermedades foliares en mango basado en la arquitectura MobileNetV2 mediante aprendizaje por transferencia. Se utilizó un conjunto de datos de 4000 imágenes con una partición estratificada del 70 % para entrenamiento, 15 % para validación y 15 % para prueba independiente (n= 600). Se implementó una estrategia de entrenamiento en dos fases en Python (TensorFlow/Keras) y el rendimiento se evaluó mediante métricas multidimensionales como el coeficiente Kappa de Cohen, MCC, curvas ROC y un análisis de confianza de las predicciones. El modelo demostró una alta capacidad de generalización en el conjunto de prueba independiente, alcanzando una exactitud del 87.67 %, un Kappa de 0.859 y un MCC de 0.862. El análisis ROC reveló un AUC micro-promedio de 0.9926. Además, se identificó que la principal dificultad diagnóstica reside en la distinción de síntomas incipientes de Gall Midge frente a hojas sanas (error del 22.67 %). Los resultados confirman que el análisis de confianza (media= 0.855 en aciertos vs media= 0.580 en errores) permite establecer umbrales de seguridad diagnóstica. Se concluye que MobileNetV2 ofrece un equilibrio óptimo entre eficiencia computacional y fiabilidad, lo que representa una solución viable para el monitoreo fitosanitario en agricultura de precisión.

Mango cultivation (Mangifera indica L.) is vulnerable to multiple leaf diseases that severely affect productivity, making early identification essential to mitigate economic losses. The objective of this research was to train and evaluate a model for classifying mango leaf diseases based on the MobileNetV2 architecture using transfer learning. A dataset of 4000 images was used, with a stratified partition of 70 % for training, 15 % for validation, and 15 % for independent testing (n= 600). A two-phase training strategy was implemented in Python (TensorFlow/Keras), and model performance was evaluated using multidimensional metrics such as Cohen's Kappa coefficient, MCC, ROC curves, and an analysis of predictions confidence. The model demonstrated a high capacity for generalisation on the independent test set, achieving an accuracy of 87.67 %, a Kappa value of 0.859, and an MCC of 0.862. The ROC analysis revealed a micro-average AUC of 0.9926. The main diagnostic difficulty was distinguishing early symptoms of Gall Midge from healthy leaves (22.67 % error). The results confirm that confidence analysis (mean= 0.855 for correct predictions vs. mean = 0.580 for errors) enables the establishment of diagnostic confidence thresholds. It is concluded that MobileNetV2 provides an optimal balance between computational efficiency and diagnostic reliability, representing a viable solution for phytosanitary monitoring in precision agriculture.