Healthy Harvests: A Comparative Look at Guava Disease Classification Using InceptionV3

Resumen Técnico: Healthy Harvests: Un Análisis Comparativo de la Clasificación de Enfermedades de la Guayaba mediante InceptionV3

Problema
La producción de guayaba, un cultivo de gran importancia económica y nutricional (especialmente en el sur de Asia), se ve gravemente amenazada por enfermedades como la Antracnosis (causada por hongos) y la infestación de moscas de la fruta. La identificación manual de estas patologías es un proceso lento y propenso a errores, lo que afecta la seguridad alimentaria, los ingresos de los pequeños agricultores y la sostenibilidad agrícola. El desafío radica en desarrollar un sistema automatizado que sea preciso, confiable y capaz de distinguir entre frutas sanas y enfermas de manera eficiente.

Metodología
El estudio propone un enfoque de aprendizaje profundo (deep learning) basado en el análisis de imágenes. Los componentes clave de la metodología son:

1. Conjunto de Datos: Se utilizó un dataset de Mendeley Data que contenía 473 imágenes originales de guayaba. Para mejorar la robustez, se aplicó un proceso de aumentación de datos, expandiendo el conjunto a 3,784 imágenes. Todas las imágenes fueron redimensionadas a 256×256 píxeles en modo de color RGB.
2. Arquitecturas de Modelos: Se implementaron y compararon dos arquitecturas de redes neuronales convolucionales (CNN) preentrenadas en ImageNet:
   • InceptionV3: Utilizada por su capacidad de extraer características multiescala mediante filtros de diferentes tamaños en paralelo.
   • ResNet50: Utilizada por su capacidad de entrenar redes profundas mediante el aprendizaje residual, mitigando el problema del desvanecimiento del gradiente.
3. Regularización Avanzada: Se aplicaron técnicas de mezcla de datos (CutMix y MixUp) para mejorar la capacidad de generalización de los modelos y reducir el sobreajuste (overfitting).
4. IA Explicable (XAI): Para evitar el efecto de "caja negra", se integraron técnicas de interpretabilidad como SHAP (basado en Grad-CAM) y LIME, permitiendo visualizar qué regiones específicas de la fruta (manchas, daños internos, etc.) influyeron en la predicción del modelo.

Contribuciones Clave

• Comparativa de Modelos: Un análisis riguroso entre InceptionV3 y ResNet50 aplicado específicamente a la patología de la guayaba.
• Optimización mediante Aumentación: La demostración de cómo técnicas como CutMix y MixUp optimizan la precisión y la pérdida de validación.
• Transparencia del Modelo: La implementación de herramientas de XAI (SHAP y LIME) para validar que el modelo toma decisiones basadas en rasgos biológicos reales de la enfermedad y no en ruido de la imagen.

Resultados
El modelo InceptionV3 superó al modelo ResNet50 en todos los indicadores de rendimiento:

• InceptionV3: Alcanzó una precisión (accuracy) del 98.15%. Mostró un desempeño excepcional en la clase de Antracnosis (precisión y exhaustividad de 1.00).
• ResNet50: Alcanzó una precisión del 94.46%.
• Análisis de Error: La matriz de confusión reveló que la mayor dificultad residía en la distinción mínima entre frutas sanas y la presencia de moscas de la fruta, aunque el error fue marginal.
• Comparación con la Literatura: Los resultados superaron los trabajos previos (como los de Mawardi et al. y Yuhang Pan et al.), estableciendo un nuevo estándar de precisión para este tipo de clasificación agrícola.

Significancia
Este estudio proporciona una solución tecnológica avanzada para la agricultura de precisión. Al ofrecer un sistema de detección altamente preciso y, lo más importante, explicable, se sientan las bases para herramientas de apoyo a la decisión que los agricultores pueden confiar. La capacidad de identificar enfermedades de forma temprana mediante el análisis de imágenes puede reducir significativamente las pérdidas de cultivos, mejorar la calidad del fruto y asegurar la rentabilidad de los productores de guayaba.