Detección automática de enfermedades foliares del cafeto mediante reconocimiento de patrones

La detección temprana de enfermedades foliares del cafeto es clave para reducir pérdidas productivas; sin embargo, el diagnóstico visual en campo presenta limitaciones asociadas a la subjetividad y la variabilidad ambiental. El objetivo de este estudio fue diseñar y evaluar un modelo híbrido de reconocimiento de patrones para clasificar hojas de cafeto sanas, con roya y con ojo de gallo a partir de imágenes capturadas en condiciones reales en Saposoa (San Martín, Perú). Se empleó un conjunto de datos propio de 1 500 imágenes validadas por especialista (500 por clase), ampliado mediante aumento de datos controlado hasta 6 000 imágenes balanceadas. ResNet18 fue utilizado como extractor de características por transferencia de aprendizaje y se compararon tres clasificadores supervisados: SVM, Random Forest y XGBoost. La evaluación se realizó mediante validación cruzada estratificada de 10 pliegues y un conjunto de prueba independiente (20%). El modelo ResNet18 + SVM obtuvo el mejor desempeño, con una accuracy de 0.9742, F1-macro de 0.9730 y AUC-macro de 0.9968, superando a Random Forest (accuracy = 0.9367) y XGBoost (accuracy = 0.9583). El análisis inferencial mediante ANOVA y la prueba de Tukey HSD confirmó diferencias estadísticamente significativas entre modelos (p < 0.001). Los resultados evidencian la robustez y viabilidad del enfoque propuesto para apoyar el diagnóstico fitosanitario del cafeto en condiciones reales de campo.