37
Sistema inteligente de detección de enfermedades en cultivos hidropónicos mediante visión articial.
pp. 37 - 54 / Volumen 7 número 1 / DOI: https://doi.org/10.37431/conectividad.v7i1.339
Fecha de recepción: 19 / 06 / 2025
Fecha de aceptación: 22 / 08 / 2025
Fecha de publicación: 20 / 01 / 2026
Instituto Tecnológico Superior Universitario Rumiñahui
Sistema inteligente de detección de enfermedades en cultivos hidropónicos
mediante visión articial
Intelligent detection system of diseases in hydroponic crops using articial vision
8771@upse.edu.ec, Santa Elena - Ecuador
Autor para correspondencia: diego.pichoasaminmorales8771@upse.edu.ec
RESUMEN
Este estudio presenta el desarrollo de un sistema para la detección temprana de
locales y proporciona retroalimentación visual inmediata sobre la enfermedad
detectada. Esta investigación demuestra la viabilidad técnica de aplicar IA en
agricultura de precisión para entornos hidropónicos, reduciendo la intervención
soluciones agrícolas inteligentes.
Palabras clave:
ABSTRACT
portability and low resource consumption. The system was trained using a dataset
capacity. The model was integrated into a physical prototype that captures images
detected disease. This research demonstrates the technical feasibility of applying AI
in precision agriculture for hydroponic environments, reducing manual intervention
agricultural solutions.
Keywords:
Derechos de Autor
Los originales
publicados en las
ediciones electrónicas
bajo derechos de primera
publicación de la
revista son del Instituto
Superior Tecnológico
Universitario Rumiñahui,
por ello, es necesario
citar la procedencia en
parcial o total. Todos los
contenidos de la revista
electrónica se distribuyen
bajo una licencia de
Creative Commons
Reconocimiento-
Internacional.
Citas
Pichoasamín Morales,
Sistema inteligente
para la detección
de enfermedades en
cultivos hidropónicos
. CONECTIVIDAD,
7 https://
Artículo Cientíco
38
Sistema inteligente de detección de enfermedades en cultivos hidropónicos mediante visión articial.
pp. 37 - 54 / Volumen 4, número 1 / DOI: https://doi.org/10.37431/conectividad.v7i1.339
Fecha de recepción: 19 / 06 / 2025
Fecha de aceptación: 22 / 08 / 2025
Fecha de publicación: 20 / 01 / 2026
Instituto Tecnológico Superior Universitario Rumiñahui
1. INTRODUCCIÓN
convirtiéndose en una opción sostenible para satisfacer la creciente demanda de alimentos en
Las enfermedades en cultivos hidropónicos provocadas por patógenos como bacterias, virus
síntomas visibles en las hojas, provocando una reducción del rendimiento y deterioro en la
La propagación de enfermedades en plantas es un reto en entornos controlados y no controlados,
siendo el monitoreo de enfermedades y la detección temprana fundamentales para prevenir la
39
Sistema inteligente de detección de enfermedades en cultivos hidropónicos mediante visión articial.
pp. 37 - 54 / Volumen 7 número 1 / DOI: https://doi.org/10.37431/conectividad.v7i1.339
Fecha de recepción: 19 / 06 / 2025
Fecha de aceptación: 22 / 08 / 2025
Fecha de publicación: 20 / 01 / 2026
Instituto Tecnológico Superior Universitario Rumiñahui
la propagación de enfermedades y mejorar la productividad, superando las limitaciones de los
sistema inteligente propuesto, en la Sección 2, Materiales y Métodos, se describe la metodología
estudio y las direcciones futuras para la investigación.
2. MATERIALES Y MÉTODOS
de sistema inteligente para la detección temprana de enfermedades en cultivos hidropónicos
de enfermedades en la agricultura hidropónica.
2.1. Arquitectura del sistema
40
Sistema inteligente de detección de enfermedades en cultivos hidropónicos mediante visión articial.
pp. 37 - 54 / Volumen 4, número 1 / DOI: https://doi.org/10.37431/conectividad.v7i1.339
Fecha de recepción: 19 / 06 / 2025
Fecha de aceptación: 22 / 08 / 2025
Fecha de publicación: 20 / 01 / 2026
Instituto Tecnológico Superior Universitario Rumiñahui
en tiempo real. La
aplicaciones en tiempo real sobre plataformas embebidas, su diseño basado en convoluciones
separables en profundidad permite mantener una alta capacidad de extracción de características
con un bajo costo computacional.
Figura 1. Diseño del sistema
41
Sistema inteligente de detección de enfermedades en cultivos hidropónicos mediante visión articial.
pp. 37 - 54 / Volumen 7 número 1 / DOI: https://doi.org/10.37431/conectividad.v7i1.339
Fecha de recepción: 19 / 06 / 2025
Fecha de aceptación: 22 / 08 / 2025
Fecha de publicación: 20 / 01 / 2026
Instituto Tecnológico Superior Universitario Rumiñahui
proceso abarca desde la recolección y preprocesamiento de los datos hasta la evaluación de
entrenado para la detección en tiempo real se detalla posteriormente en la sección de Detección
de enfermedades.
Figura 2. Metodología de Desarrollo y Entrenamiento del Modelo de IA
2.2. Recolección de datos
Tabla 1. Características visuales de las clases a entrenar en hojas de lechuga
Condi-
ción
Cantidad
Imágenes
Caracteristicas Imagen
Condi-
ción
Cantidad
Imágenes
Caracteristicas Imagen
Clase
1 Hoja
sana
Validate:
119
Test:55
Verde uniforme,
brillante
Sin manchas,
sin polvo ni
vellosidad
Clase 4
Mancha
Validate:
125
Test:
55
Bacteriana:
Manchas
marrones a
negras, con
bordes difusos y
aspecto acuoso.
circulares, de
color amarillo
a marrón claro,
con halo de
decoloración.
Clase 2
Mildiu
Validate:
125
Test:55
Total: 557
Zonas amarillas
moho blanco en
el envés
Clase 3
Oídio
Vali-
Test:55
Polvo blanco
se desprende al
frotar
ejemplos de plantas sanas y de enfermedades: mildiu, oídio y mancha bacteriana o foliar. Estas
42
Sistema inteligente de detección de enfermedades en cultivos hidropónicos mediante visión articial.
pp. 37 - 54 / Volumen 4, número 1 / DOI: https://doi.org/10.37431/conectividad.v7i1.339
Fecha de recepción: 19 / 06 / 2025
Fecha de aceptación: 22 / 08 / 2025
Fecha de publicación: 20 / 01 / 2026
Instituto Tecnológico Superior Universitario Rumiñahui
para el conjunto de pruebas, conforme las clases de la Tabla 1.
las enfermedades, la determinación de las clases se complementó mediante la anotación de
2.3. Preprocesamiento de Imágenes
43
Sistema inteligente de detección de enfermedades en cultivos hidropónicos mediante visión articial.
pp. 37 - 54 / Volumen 7 número 1 / DOI: https://doi.org/10.37431/conectividad.v7i1.339
Fecha de recepción: 19 / 06 / 2025
Fecha de aceptación: 22 / 08 / 2025
Fecha de publicación: 20 / 01 / 2026
Instituto Tecnológico Superior Universitario Rumiñahui
2.4. Entrenamiento del Modelo
reducía tiempo de entrenamiento y la necesidad de un dataset extremadamente voluminoso, la
capa convolucional base de MobileNetV2 se mantuvo congelada para preservar los pesos pre-
tarea de cuatro clases de salida.
La implementación de MobileNetV2 ha demostrado resultados sobresalientes en tareas de
para dispositivos de bajos recursos.
conjunto de entrenamiento. Estas transformaciones se implementaron en tiempo real durante el
frente a variaciones en el entorno real.
44
Sistema inteligente de detección de enfermedades en cultivos hidropónicos mediante visión articial.
pp. 37 - 54 / Volumen 4, número 1 / DOI: https://doi.org/10.37431/conectividad.v7i1.339
Fecha de recepción: 19 / 06 / 2025
Fecha de aceptación: 22 / 08 / 2025
Fecha de publicación: 20 / 01 / 2026
Instituto Tecnológico Superior Universitario Rumiñahui
La preparación inicial del entorno consistió en el montaje de Google Drive para acceder al
validate respectivamente.
nombres de las carpetas, resultando en un conjunto de entrenamiento y conjunto de validación,
Figura 3. Etapas de entrenamiento del modelo
3. RESULTADOS Y DISCUSIÓN
3.1. Modelo de clasicación
conjunto de validación deteniendo el entrenamiento cuando no se evidenciaron mejoras en esta
45
Sistema inteligente de detección de enfermedades en cultivos hidropónicos mediante visión articial.
pp. 37 - 54 / Volumen 7 número 1 / DOI: https://doi.org/10.37431/conectividad.v7i1.339
Fecha de recepción: 19 / 06 / 2025
Fecha de aceptación: 22 / 08 / 2025
Fecha de publicación: 20 / 01 / 2026
Instituto Tecnológico Superior Universitario Rumiñahui
Figura 4. Precisión del modelo de entrenamiento
Figura 5.
46
Sistema inteligente de detección de enfermedades en cultivos hidropónicos mediante visión articial.
pp. 37 - 54 / Volumen 4, número 1 / DOI: https://doi.org/10.37431/conectividad.v7i1.339
Fecha de recepción: 19 / 06 / 2025
Fecha de aceptación: 22 / 08 / 2025
Fecha de publicación: 20 / 01 / 2026
Instituto Tecnológico Superior Universitario Rumiñahui
por clase, evidenciando un rendimiento robusto en todas las categorías, con una Exactitud
crucial para evitar diagnósticos erróneos en cultivos saludables.
Tabla 2. Métricas de rendimiento del modelo en el conjunto de validación
Clases Precisión Exhaustividad (Recall) Puntuación F1
Soporte
(Imágenes)
Mancha 0.95 0.98 0.96 125
Mildiu 0.95 125
0.99 0.97
Sana 0.97 1.00 0.98 119
Exactitud (Accuracy) 0.9634 492
3.2. Evaluación del modelo
inferior a la obtenida en el conjunto de validación.
Figura 6.obileNetV2 en el conjunto de pruebas
47
Sistema inteligente de detección de enfermedades en cultivos hidropónicos mediante visión articial.
pp. 37 - 54 / Volumen 7 número 1 / DOI: https://doi.org/10.37431/conectividad.v7i1.339
Fecha de recepción: 19 / 06 / 2025
Fecha de aceptación: 22 / 08 / 2025
Fecha de publicación: 20 / 01 / 2026
Instituto Tecnológico Superior Universitario Rumiñahui
Tabla 3. Métricas de rendimiento del modelo en el conjunto de pruebas
Clases Precisión
Exhaustividad
(Recall)
Puntuación F1
Soporte
(Imágenes)
Mancha 0.91 0.96 55
Mildiu 0.96 0.91 55
0.90 0.96 55
Sana 1.00 0.96 55
Exactitud 0.94 220
En comparación con los métodos tradicionales de monitoreo manual, el sistema propuesto ofrece
ventajas sustanciales en precisión, consistencia y tiempo de respuesta, estudios como el de Da
Figura 7. Ejemplos de aplicación del modelo entrenado
48
Sistema inteligente de detección de enfermedades en cultivos hidropónicos mediante visión articial.
pp. 37 - 54 / Volumen 4, número 1 / DOI: https://doi.org/10.37431/conectividad.v7i1.339
Fecha de recepción: 19 / 06 / 2025
Fecha de aceptación: 22 / 08 / 2025
Fecha de publicación: 20 / 01 / 2026
Instituto Tecnológico Superior Universitario Rumiñahui
sanas como enfermas, siendo los porcentajes de error son globalmente bajos, evidenciando la
enfermedades o sanas.
Tabla 4. Detección de la enfermedad
Clase
Conjunto de Validación
Conjunto de Pruebas
FP (%) FN (%) FP (%) FN (%)
Mancha
Mildiu
Oidio
Sana
presentan limitaciones importantes, como la subjetividad en la interpretación de síntomas y la
especialmente cuando el personal carece de la formación técnica adecuada o cuando se manejan
grandes extensiones de cultivo.
El modelo MobileNetV2 desarrollado en este estudio demostró un rendimiento sobresaliente en
exactitud de ,
ambos casos un rendimiento homogéneo entre las clases evaluadas, dicha capacidad del sistema
49
Sistema inteligente de detección de enfermedades en cultivos hidropónicos mediante visión articial.
pp. 37 - 54 / Volumen 7 número 1 / DOI: https://doi.org/10.37431/conectividad.v7i1.339
Fecha de recepción: 19 / 06 / 2025
Fecha de aceptación: 22 / 08 / 2025
Fecha de publicación: 20 / 01 / 2026
Instituto Tecnológico Superior Universitario Rumiñahui
para un sistema de detección temprana en entornos hidropónicos, esta robusta capacidad de
3.3. Detección de enfermedades
componentes de hardware, siendo el objetivo de evaluar la capacidad del modelo para operar
de aplicación.
Figura 8. Capturas en tiempo real con el prototipo
50
Sistema inteligente de detección de enfermedades en cultivos hidropónicos mediante visión articial.
pp. 37 - 54 / Volumen 4, número 1 / DOI: https://doi.org/10.37431/conectividad.v7i1.339
Fecha de recepción: 19 / 06 / 2025
Fecha de aceptación: 22 / 08 / 2025
Fecha de publicación: 20 / 01 / 2026
Instituto Tecnológico Superior Universitario Rumiñahui
como un fondo vacío, al encontrarla, dibuja un recuadro rojo para señalarla, posterior la imagen
resultados.
Figura 9.
inferencia en la Raspberry.
Tabla 5. Detección de la enfermedad
Pruebas Detección del sistema Pruebas Detección del sistema
sistema detectó
una hoja sana
sistema detectó una
enfermedad de tipo
oídio
sistema no pudo
sana o enferma
sistema detectó una
enfermedad de tipo
mancha
51
Sistema inteligente de detección de enfermedades en cultivos hidropónicos mediante visión articial.
pp. 37 - 54 / Volumen 7 número 1 / DOI: https://doi.org/10.37431/conectividad.v7i1.339
Fecha de recepción: 19 / 06 / 2025
Fecha de aceptación: 22 / 08 / 2025
Fecha de publicación: 20 / 01 / 2026
Instituto Tecnológico Superior Universitario Rumiñahui
ciertas limitaciones, el prototipo podría verse afectado por variaciones extremas en las
siendo una trabajo futuro el expandir el conjunto de datos de entrenamiento para incluir una
el cuidado de sus cultivos hidropónicos.
4. CONCLUSIONES
reales.
enfermedades en lechugas. El estudio demostró la viabilidad de ejecutar inferencias en tiempo
de detección y eliminar la subjetividad en el diagnóstico, siendo una solución accesible para
52
Sistema inteligente de detección de enfermedades en cultivos hidropónicos mediante visión articial.
pp. 37 - 54 / Volumen 4, número 1 / DOI: https://doi.org/10.37431/conectividad.v7i1.339
Fecha de recepción: 19 / 06 / 2025
Fecha de aceptación: 22 / 08 / 2025
Fecha de publicación: 20 / 01 / 2026
Instituto Tecnológico Superior Universitario Rumiñahui
Como trabajo futuro se propone explorar el sistema a otros cultivos, así como la integración de
del sistema en entornos agrícolas reales.
Contribución de los Autores (CRediT):
PJCD
Investigación, Administración del proyecto, Software, Supervisión, Redacción-revisión y edición.
Conicto de Intereses:
REFERENCIAS
IEEE
Access, 10
A review. Engineering Applications of Articial Intelligence, 120, 105899. https://doi.
E3S Web of Conferences, 556,
Agriculture-Vision: A large aerial image database for agricultural pattern analysis. En
Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition
Workshops
Current Plant Biology,
42
plant disease detection system using CNN. International Journal of Electronics and
Communication Engineering, 7
53
Sistema inteligente de detección de enfermedades en cultivos hidropónicos mediante visión articial.
pp. 37 - 54 / Volumen 7 número 1 / DOI: https://doi.org/10.37431/conectividad.v7i1.339
Fecha de recepción: 19 / 06 / 2025
Fecha de aceptación: 22 / 08 / 2025
Fecha de publicación: 20 / 01 / 2026
Instituto Tecnológico Superior Universitario Rumiñahui
learning-based leaf disease detection in crops using images for agricultural applications.
Agronomy, 12
Computers and Electronics in Agriculture, 147 https://doi.org/10.1016/j.
compag.2018.02.016
JETIR Research Journal.
Frontiers in Plant Science, 14
model for intelligent agriculture. PeerJ Computer Science, 9, e1595. https://doi.
org/10.7717/peerj-cs.1595
Proceedings of the 2021 IEEE 14th International Symposium on Embedded Multicore/
Many-core Systems-on-Chip (MCSoC) https://doi.org/10.1109/
AIoT-based hydroponic system for crop recommendation and nutrient parameter
Smart Agricultural Technology, 8 https://doi.org/10.1016/j.
Proceedings of the IEEE Conference
on Computer Vision and Pattern Recognition https://doi.
of an indoor deep water culture farming system using IoT. En 2022 IEEE 2nd International
54
Sistema inteligente de detección de enfermedades en cultivos hidropónicos mediante visión articial.
pp. 37 - 54 / Volumen 4, número 1 / DOI: https://doi.org/10.37431/conectividad.v7i1.339
Fecha de recepción: 19 / 06 / 2025
Fecha de aceptación: 22 / 08 / 2025
Fecha de publicación: 20 / 01 / 2026
Instituto Tecnológico Superior Universitario Rumiñahui
Symposium on Sustainable Energy, Signal Processing and Cyber Security (iSSSC)
infrastructure detection in high-resolution satellite images. Big Earth Data. https://doi.
