Detección de Enfermedades Fúngicas en taxo mediante segmentación con YOLOv11 Detection of Fungal Diseases in taxum by segmentation with YOLOv11
Barra lateral del artículo
Contenido principal del artículo
Resumen
Este estudio propone un sistema automatizado para la detección y segmentación de enfermedades fúngicas —específicamente Colletotrichum spp. y Oidium— en cultivos de taxo (Passiflora mollissima H.B.K.) en Ecuador, utilizando el modelo de visión por computadora YOLOv11 para segmentación. Se construyó un conjunto de datos compuesto por 2.715 imágenes, etiquetadas manualmente en cuatro clases: Colletotrichum, Oidium, tejido sano y fondo. El modelo YOLOv11-seg alcanzó una precisión de 0.684, un recall de 0.509 y un mAP50 de 0.424. El análisis de la matriz de confusión evidenció un mejor desempeño en la identificación de Oidium (101 detecciones correctas), frente a Colletotrichum (18) y tejido sano (28), con confusiones significativas entre patógenos y el fondo. Adicionalmente, se documentaron distribuciones morfométricas que permiten caracterizar cuantitativamente los patrones de infección. Este trabajo sienta las bases metodológicas para sistemas de monitoreo fitosanitario automatizados en cultivos de taxo, con potencial para mejorar la eficiencia y sostenibilidad del manejo integrado de plagas en la región andina.
Descargas
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Citas
Ardiles R., S., Sepúlveda, M. , R., & Calle Z., I. (2015). Plagas y enfermedades que afectan al Tumbo (Passiflora Mollisima) Y Locoto (Capsicum Pubescens). https://biblioteca.inia.cl/server/api/core/bitstreams/eea3a4fa-6860-4eb1-90bd-cf5ef7b2d60e/content
Calixto-Cotos, D., & Apaza, M. R. (2021). Aprovechamiento de los residuos del fruto de Passiflora tripartita. Scientia Agropecuaria, 12(3), 445–453. https://doi.org/10.17268/sci.agropecu.2021.049
Chañi-Paucar, L. O., Chagua-Rodríguez, P., Cuadrado-Campó, W. J., Román, G., Calderón, L., Cesar, J., Santivañez, M., Fernando, C., Angolini, F., & Meireles, M. A. A. (2024). Tumbo, an Andean fruit: Uses, nutrition, processing, and biomolecules. Heliyon, 10, e30327. https://doi.org/10.1016/j.heliyon.2024.e30327
Chaparro-Rojas, D. C., Maldonado, M. E., Franco-Londoño, M. C., & Urango-Marchena, L. A. (2014). Características nutricionales y antioxidantes de la fruta curuba larga (Passiflora mollissima Bailey). Perspectivas En Nutrición Humana, 16(2). https://doi.org/10.17533/udea.penh.v16n2a07
Chen, J. S., Liu, M., Li, J. S., & Chen, J. X. (2024). LFA-YOLO: Detection of Lychee Fruit Anthracnose Based on UAV Images and Deep Learning. Applied Engineering in Agriculture, 40(5), 515–523. https://doi.org/10.13031/AEA.16017
Dhanya, V. G., Subeesh, A., Kushwaha, N. L., Vishwakarma, D. K., Nagesh Kumar, T., Ritika, G., & Singh, A. N. (2022). Deep learning based computer vision approaches for smart agricultural applications. Artificial Intelligence in Agriculture, 6, 211–229. https://doi.org/10.1016/J.AIIA.2022.09.007
Freeman, S. (2008). Management, Survival Strategies, and Host Range of Colletotrichum acutatum on Strawberry. HortScience, 43(1), 66–68. https://doi.org/10.21273/HORTSCI.43.1.66
Khakimov, A., Salakhutdinov, I., Omolikov, A., & Utaganov, S. (2022). Traditional and current-prospective methods of agricultural plant diseases detection: A review. IOP Conference Series: Earth and Environmental Science -3rd International Conference on Agriculture and Bio-Industry (ICAGRI 2021). https://doi.org/10.1088/1755-1315/951/1/012002
Khan, A. T., & Jensen, S. M. (2025). LEAF-Net: A Unified Framework for Leaf Extraction and Analysis in Multi-Crop Phenotyping Using YOLOv11. Agriculture 2025, Vol. 15, Page 196, 15(2), 196. https://doi.org/10.3390/AGRICULTURE15020196
Khanam, R., & Hussain, M. (2024). YOLOV11: AN OVERVIEW OF THE KEY ARCHITECTURAL ENHANCEMENTS.
Kotwal, J., Kashyap, D. R., & Pathan, D. S. (2023). Agricultural plant diseases identification: From traditional approach to deep learning. Materials Today: Proceedings, 80, 344–356. https://doi.org/10.1016/J.MATPR.2023.02.370
Landa LLamuca, D. O., & Valle Velástegui, L. (2019). Diagnostico situacional del taxo (PassifloramollisimaB.H.K.) en la Provincia de Tungurahua. Centrosur, 1, 17–22. http://centrosuragraria.com/index.php/revista
Pardo Solórzano, M. V., Costa, G. M., & Castellanos, L. (2024). Passiflora By-Products: Chemical Profile and Potential Use as Cosmetic Ingredients. Scientia Pharmaceutica, 92(4), 57. https://doi.org/10.3390/SCIPHARM92040057/S1
Pfeufer, E., Gauthier, N., & Bradley, C. A. (2024). Hoja Informativa de Fitopatología Mildiu Polvoriento College of Agriculture, Food and Environment Cooperative Extension Service Fitopatóloga de Extensión Recursos Naturales y Agrícolas • Ciencias de Familia y Consumidor Desarrollo Juvenil/4-H Desarrollo Comunitario y Económico.
Preanto, S. A., Ahad, Md. T., Emon, Y. R., Mustofa, S., & Alamin, M. (2024). A Semantic Segmentation Approach on Sweet Orange Leaf Diseases Detection Utilizing YOLO. https://arxiv.org/abs/2409.06671v1
Rayamajhi, A., & Mahmud, M. S. (2023). Detection and Segmentation of Anthracnose Leaf Spots in Flowering Dogwood Using Deep Learning for Site-Specific Management. 2023 ASABE Annual International Meeting, 1-. https://doi.org/10.13031/AIM.202300422
Redmon, J. (2016). You only look once: Unified, real-time object detection. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.
Roboflow: Computer vision tools for developers and enterprises. (2025). https://roboflow.com/
Sapkota, R., & Karkee, M. (2024). Comparing YOLOv11 and YOLOv8 for instance segmentation of occluded and non-occluded immature green fruits in complex orchard environment. https://arxiv.org/abs/2410.19869v3
Yumang, A. N., Samilin, C. J. N., & Sinlao, J. C. P. (2023). Detection of Anthracnose on Mango Tree Leaf Using Convolutional Neural Network. 2023 15th International Conference on Computer and Automation Engineering, ICCAE 2023, 220–224. https://doi.org/10.1109/ICCAE56788.2023.10111489