Diagnóstico temprano de enfermedades en cultivo de maíz mediante Redes Neuronales Convolucionales (RNC)
DOI:
https://doi.org/10.57188/manglar.2026.024Keywords:
Redes neuronales convolucionales, clasificación automatizada, maíz, procesamiento de imágenes, enfermedades de plantasAbstract
El presente estudio desarrolla un modelo de clasificación automatizada basado en redes neuronales convolucionales (CNN) para analizar imágenes de plantas de maíz. El objetivo principal fue construir un sistema capaz de identificar de manera precisa la condición de las hojas de maíz, clasificándolas como saludables o afectadas por enfermedades comunes como la roya común y la mancha foliar por Cercospora. Se utilizó el dataset "Corn Disease Dataset" de Kaggle, dividiendo las imágenes en conjuntos de entrenamiento, validación y prueba. El modelo, construido en TensorFlow y Keras, alcanzó una precisión del 97.22 % en la fase de evaluación, demostrando su alta efectividad. Se aplicaron técnicas de aumento de datos y preprocesamiento de imágenes para mejorar el desempeño y la capacidad de generalización del modelo. Los resultados evidencian que las CNN son una herramienta poderosa para el diagnóstico temprano de enfermedades en cultivos de maíz, lo cual contribuye a mejorar la productividad agrícola y promover prácticas agrícolas sostenibles.
Downloads
References
Abas, M. I., Syarif, S., Nurtanio, I., & Tahir, Z. (2024). Detection of corn plant diseases using convolutional neural network: A review. AIP Conference Proceedings, 3145, 040001. https://doi.org/10.1063/5.0211960
Bansal, S., & Kumar, A. (2021). Deep Learning for Maize Crop Deficiency Detection. In: Das, B., Patgiri, R., Bandyopadhyay, S., Balas, V.E. (eds) Modeling, Simulation and Optimization. Smart Innovation, Systems and Technologies, vol 206. Springer, Singapore. https://doi.org/10.1007/978-981-15-9829-6_37
Bradski, G. (2000). The OpenCV Library. Dr. Dobb's Journal of Software Tools.
De la Vega Jiménez, F. (2022). Classification of medical images for Alzheimer's diagnosis using convolutional neural networks. arXiv. https://arxiv.org/abs/2210.08330
Dominguez Torres, A. (1996). Procesamiento digital de imágenes. Perfiles Educativos, (72).
Fiestas Sorogastua, A. (2022). Evaluación del crecimiento de plantines de alcachofa mediante redes neuronales convolucionales. Universidad Privada Antenor Orrego. https://hdl.handle.net/20.500.12759/8841
Géron, A. (2023). Aprendizaje automático práctico con Scikit-Learn, Keras y TensorFlow (3ª ed.). O'Reilly Media.
González, R. C., & Woods, R. E. (2008). Digital Image Processing (3rd ed.). Prentice Hall.
Huamanchumo, C. (2013). La cadena de valor de maíz en el Perú: diagnóstico del estado actual, tendencias y perspectivas. Instituto Interamericano de Cooperación para la Agricultura (IICA). https://hdl.handle.net/11324/2654
Huaytan, C. & Punzel, R. (2023) AGROMEDIC - Detección y tratamiento de enfermedades en la planta del maíz. Universidad de Lima. https://hdl.handle.net/20.500.12724/17727
Pandian, J. A., & Geetharamani, G. (2019). Data for: Identification of Plant Leaf Diseases Using a 9-layer Deep Convolutional Neural Network”, Mendeley Data, V1. https://doi.org/10.17632/tywbtsjrjv.1
Kashyapa, R., & Kashyapa, R. (2022). What is image acquisition in machine vision? – Trigger mechanism. Qualitas Technologies. https://qualitastech.com/image-acquisition/image-acquisition-in-machine-vision-trigger-mechanism/
Nayak, D., Nair, R. R., TinaBabu, N., & Kishore, S. (2024). CNN-based Plant Leaf Disease Detection: A Key Solution for Enhancing Agricultural Productivity. 3rd International Conference For Advancement In Technology (ICONAT), GOA, 1-6. https://doi.org/10.1109/iconat61936.2024.10774756
Rachmad, A., Fuad, M., & Rochman, E. M. S. (2023). Convolutional neural network-based classification model of corn leaf disease. Mathematical Modelling of Engineering Problems, 10(2), 530-536. https://doi.org/10.18280/mmep.100220
Rodríguez Alva, C. J., & Cipra Salinas, E. P. (2022). Detección de plagas y enfermedades en los cultivos de maíz utilizando procesamiento de imágenes con redes neuronales, en el distrito de Cascas – La Libertad, año 2022 [Tesis de licenciatura, Universidad Privada Antenor Orrego]. https://hdl.handle.net/20.500.12759/14671
Singh, D., Jain, N., Jain, P., Kayal, P., Kumawat, S., Batra, N. (2020). PlantDoc: a dataset for visual plant disease detection. InProceedings of the 7th ACM IKDD CoDS and 25th COMAD 2020 Jan 5 (pp. 249-253).
Shandilya, G., Gupta, S., Mohamed, H. G., Bharany, S., Rehman, A. U., & Hussen, S. (2025). Enhanced Maize Leaf Disease Detection and Classification Using an Integrated CNN-ViT Model. Food Science & Nutrition, 13(7), e70513. https://doi.org/10.1002/fsn3.70513
Mishra, U., Pandey, A., Logeswari, G., & Tamilarasi, K. (2025). Deep learning-based disease detection in potato and mango leaves: a comparative study of CNN, AlexNet, ResNet, and EfficientNet. Scientific Reports, 16, 2788. https://doi.org/10.1038/s41598-025-32607-5
Xu, H. (2026). Corn or maize leaf disease classification based on CNN and vision mamba model. Scientific Reports, 16, 18783. https://doi.org/10.1038/s41598-026-50033-z
Mehdipour, S., Mirroshandel, S. A. & Tabatabaei, S. A. (2026). A novel lightweight hybrid CNN-ViT for maize leaf disease classification. Scientific Reports, 16, 10468. https://doi.org/10.1038/s41598-026-41190-2
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Marcelo Antonio Callao-Pimentel, Lilian Roxana Paredes-López, Luis Enrique Ricardo Burgos-Saavedra
This work is licensed under a Creative Commons Attribution 4.0 International License.
Manglar is an open access journal distributed under the terms and conditions of Creative Commons Attribution 4.0 International license
