Detección de sarna y oídio en manzanos con YOLOv12

Este estudio presenta un sistema de detección automática de sarna (Venturia inaequalis), oídio (Podosphaera leucotricha) y hojas sanas en manzanos (Malus domestica) mediante el uso de un modelo de detección de objetos basado en redes neuronales convolucionales, específicamente una versión optimizada de YOLOv12. La investigación se enmarca en un diseño metodológico experimental y cuantitativo, con un enfoque aplicado y nivel descriptivo-predicativo, cuyo objetivo es evaluar la eficacia de la inteligencia artificial en el diagnóstico temprano de enfermedades foliares en frutales. Se recolectaron 300 imágenes de hojas de manzano en condiciones de campo, 100 para cada clase, las cuales fueron preprocesadas, aumentadas y etiquetadas mediante la plataforma Roboflow, obteniendo un conjunto de datos final de 720 imágenes. El modelo fue entrenado y validado utilizando un conjunto de datos dividido en entrenamiento (92%), validación (4%) y prueba (4%). Los resultados mostraron una precisión del 99.2 %, un recall del 89.5 % y un mAP50 del 92.5 %, tras 100 épocas de entrenamiento. La matriz de confusión reveló un bajo índice de falsos negativos, lo que indica una alta sensibilidad del modelo. Estos hallazgos demuestran que YOLOv12 puede ser una herramienta efectiva para la detección temprana de enfermedades en sistemas de agricultura de precisión, reduciendo la dependencia del diagnóstico visual por expertos. Este trabajo contribuye al desarrollo de tecnologías inteligentes para la sanidad vegetal en entornos agrícolas reales.