Detección de dos Enfermedad en yuca utilizando YOLOv11 Detection of two diseases in cassava using YOLOv11
Barra lateral del artículo
Contenido principal del artículo
Resumen
Las enfermedades virales de la yuca conocidas como la estría parda de la yuca (CBSD) y el mosaico de la yuca (CMD) representan una amenaza significativa para la producción de este cultivo a nivel mundial. El presente estudio tuvo como objetivo desarrollar un sistema automatizado de identificación empleando YOLOv11. Se utilizó un conjunto de datos relacionado con imágenes de ambas enfermedades disponibles en la plataforma Kaggle. Además, las imágenes fueron etiquetado mediate codificación con Grounding DINO y el aumentado de datos se realizó en el sitio web Roboflow, para entrenar y validar el modelo de detección. Se evaluaron métricas tales como: precision, recall y mAP50. Los resultados mostraron valores máximos de 0.86 en precision, 0.85 en recall y 0.87 en mAP50, lo cual evidenció un alto desempeño en la detección de ambas enfermedades. Esta metodología contribuyó a la identificación temprana de enfermedades virales foliares de gran importancia en el cultivo de la yuca, y además ofreció un enfoque escalable para ser adoptado en un modelo de agricultura de precisión
Descargas
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Citas
Chikoti, P. C., & Tembo, M. (2022). Expansion and impact of cassava brown streak and cassava mosaic diseases in Africa: A review. Frontiers in Sustainable Food Systems, 6, 1–12. https://doi.org/doi:10.3389/fsufs.2022.1076364
ErnestMwebaze, & Timnit, G. (2019, June 1). Cassava Disease Classification. https://www.kaggle.com/c/cassava-disease/data
Husaini, M. Al, Raharja, A. R., Putra, V. H. C., & Lukmana, H. H. (2025). Enhanced Plant Disease Detection Using Computer Vision YOLOv11: Pre-Trained Neural Network Model Application. Journal of Computer Networks, Architecture and High Performance Computing, 7(1), 82–95. https://doi.org/10.47709/CNAHPC.V7I1.5146
Jocher, G. (2024). Ultralytics. Https://Github.Com/Ultralytics/Assets/Releases/Download/v8.3.0/Yolo11n.Pt.
Liu, S., Zeng, Z., Ren, T., Li, F., Zhang, H., Yang, J., Jiang, Q., Li, C., Yang, J., Su, H., Zhu, J., & Zhang, L. (2024). Grounding DINO: Marrying DINO with Grounded Pre-Training for Open-Set Object Detection. https://arxiv.org/abs/2303.05499
Maharana, K., Mondal, S., & Nemade, B. (2022). A review: Data pre-processing and data augmentation techniques. Global Transitions Proceedings, 3(1), 91–99. https://doi.org/https://doi.org/10.1016/j.gltp.2022.04.020
Muiruri, S. K., Ntui, V. O., Tripathi, L., & Tripathi, J. N. (2021). Mechanisms and approaches towards enhanced drought tolerance in cassava (Manihot esculenta). Current Plant Biology, 28, 100227. https://doi.org/10.1016/J.CPB.2021.100227
Redmon, J. (2016). You only look once: Unified, real-time object detection. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.
roboflow. (2025). https://roboflow.com/
Sehgal, D., Zou, Z., Egesi CEgesi, C., Gaby Nkouaya Mbanjo, E., Yusuf Rabbi, I., Elizabeth Ferguson, M., Ismail Kayondo, S., Hwa Eng, N., Tripathi, L., Kulakow, P., & Egesi, C. (2021). Technological Innovations for Improving Cassava Production in Sub-Saharan Africa. https://doi.org/10.3389/fgene.2020.623736
Sharma, S., Verma, K., & Hardaha, P. (2023). Implementation of Artificial Intelligence in Agriculture. Journal of Computational and Cognitive Engineering, 2(2), 155–162. https://doi.org/10.47852/bonviewJCCE2202174
Tugrul, B., Elfatimi, E., & Eryigit, R. (2022). Convolutional Neural Networks in Detection of Plant Leaf Diseases: A Review. Agriculture, 12(8). https://doi.org/10.3390/agriculture12081192
Uke, A., Tokunaga, H., Utsumi, Y., Anh Vu, N., Thi Nhan, P., Srean, P., Huu Hy, N., Huy Ham, L., Augusto Becerra Lopez-Lavalle, L., Ishitani, M., Hung, N., Ngoc Tuan, L., Van Hong, N., Quang Huy, N., Xuan Hoat, T., Takasu, K., Seki, M., Ugaki, M., & Seki motoakiseki, M. (2022). Cassava mosaic disease and its management in Southeast Asia Sub-Department of Plantation and Plant Protection of Tay Ninh Province, Hanoi, Vietnam. 109, 301–311. https://doi.org/10.1007/s11103-021-01168-2
Yuen, K., Zou, J., & Uchida, K. (2024). Generalized DINO: DINO via Multimodal Models for Generalized Object Detection. ACM International Conference Proceeding Series, 776–783. https://doi.org/10.1145/3672758.3672887