Sistema Inteligente para el Diagnóstico Multiespecie de Fitopatologías mediante una Arquitectura CNN de Tres Ramas Orientada a Agricultura de Precisión

• Autores: Danny Diaz, Cristopher Heredia, Liliana Tonato
• Localización: Revista Politécnica, ISSN-e 2477-8990, Vol. 58, Nº. 1, 2026 (Ejemplar dedicado a: Revista Politécnica), págs. 65-76
• Idioma: español
• DOI: 10.33333/rp.vol58n1.06
• Títulos paralelos:
  • Intelligent System for Multispecies Phytopathology Diagnosis using a Tri-Branch CNN Architecture Oriented to Precision Agriculture
• Enlaces
  • Texto completo
• Resumen
  • español

    La detección temprana de enfermedades en cultivos constituye un desafío clave en la agricultura de precisión, especialmente en entornos rurales donde el acceso a diagnóstico especializado y conectividad tecnológica es limitado. En este trabajo se presenta AgroScan, un sistema inteligente y explicable para el diagnóstico multiespecie de fitopatologías foliares, basado en una arquitectura de redes neuronales convolucionales de tres ramas (Tri-Branch CNN). La metodología integra de manera simultánea información cromática (RGB), estructural (escala de grises) y segmentada (espacio de color HSV), permitiendo una representación visual más robusta frente a variaciones de iluminación, ruido de fondo y diferencias morfológicas entre especies. El sistema fue entrenado y evaluado utilizando un subconjunto del repositorio PlantVillage, compuesto por 34 923 imágenes correspondientes a siete cultivos agrícolas, empleando una estrategia de validación hold-out (80 % entrenamiento, 20 % validación). Cada rama de la arquitectura incorpora un modelo MobileNetV2 preentrenado, cuyas salidas son fusionadas mediante concatenación y clasificadas mediante una capa Softmax multiclase. Adicionalmente, se integra un mecanismo de inteligencia artificial explicable basado en Grad-CAM, que permite visualizar las regiones foliares que influyen en la decisión del modelo. Los resultados experimentales muestran una precisión promedio del 96,4 % y un F1-score global de 0,96 evidenciando una alta capacidad de generalización en distintos cultivos y patologías. Como conclusión, AgroScan demuestra que la combinación de arquitecturas multicanal, explicabilidad visual y optimización para ejecución offline constituye una solución robusta y viable para el apoyo a la toma de decisiones en agricultura de precisión y monitoreo fitosanitario en contextos rurales.

  • English

    Early detection of crop diseases represents a critical challenge in precision agriculture, particularly in rural environments with limited access to specialized diagnostics and technological connectivity. This paper presents AgroScan, an intelligent and explainable system for multispecies diagnosis of foliar phytopathologies, based on a three-branch convolutional neural network (Tri-Branch CNN) architecture. The proposed methodology simultaneously integrates chromatic (RGB), structural (grayscale), and segmented (HSV color space) visual information, enabling a more robust representation under illumination variability, background noise, and interspecies morphological differences. The system was trained and evaluated using a subset of the PlantVillage dataset, comprising 34,923 images from seven agriculturally relevant crops, following a hold-out validation strategy (80 % training, 20 % validation). Each branch incorporates a pre-trained MobileNetV2 model, whose feature outputs are fused through concatenation and classified using a multiclass Softmax layer. In addition, an explainable artificial intelligence (XAI) module based on Grad-CAM is integrated to visualize the leaf regions influencing model predictions. Experimental results achieved an average accuracy of 96.4 % and a global F1-score of 0.96 demonstrating strong generalization across multiple crops and diseases. In conclusion, AgroScan confirms that combining multichannel deep learning architectures with visual explainability and offline deployment capabilities provides an effective and practical solution for decision support in precision agriculture and phytosanitary monitoring.