ISBN
Formato digital
979-13-87837-54-9
Fecha de publicación
06-10-2025
Licencia
D. R. © Copyright 2025. Alma Y. Alanis, Jorge Galvez, Omar Avalos, Eduardo Méndez-Palos, Jorge D. Rios, Adriana Peña Perez-Negron & Gabriel Martínez Soltero
Todos los contenidos de esta obra se comparten bajo la licencia Creative Commons Atri-bución/Reconocimiento-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0). Esto implica que no está autorizado el uso comercial de la obra original ni de las eventuales obras derivadas, las cuales deberán distribuirse bajo la misma licencia que rige la obra original. No obstante, se permite a terceros compartir el contenido siempre y cuando se reconozca debidamente la autoría y la publicación original en esta editorial.
Kevin B. Carbajal
Universidad de Guadalajara
0009-0008-2510-040X
Alma Yolanda Alanis García
Universidad de Guadalajara
0000-0001-9600-779X
Hamilton Oliveira
Instituto de Ecología
0000-0002-9590-7929
Jorge Gálvez
Universidad de Guadalajara
0000-0001-6595-8605
Acerca de
Avocado crops face challenges in detecting nutritional deficiencies that impact yield. This study proposes a binary classification of avocado leaves using multispectral imaging and convolutional neural networks (CNNs). Leaves are classified as healthy or affected based on visible symptoms. The dataset consists of 81 multispectral images (Green, Red, Red Edge, NIR) acquired with a DJI Mavic 3 Enterprise drone. Five vegetation indices (NDVI, GNDVI, NDRE, OSAVI, SAVI) and their statistical features were extracted to enhance learning. Data augmentation and dropout reduced overfitting. The CNN achieved 100% validation accuracy, and a comparative analysis of activation functions identified the best performers. Results demonstrate the potential of multispectral imaging and CNNs in precision agriculture. Future work will expand the dataset and spectral bands to improve detection.
Referencias
FAO-FAOSTAT. “La exportaci´on de aguacate en el mundo,” ProducePay, 2020. Disponible en: https://www.fao.org/faostat/es/#data/QCL. Accedido: 13-sep- 2024.
Gomez, J., Rincon, J., Quintero, H.: Desarrollo de una herramienta de apren- dizaje autom´atico que estime el estado de N presente en las hojas de gulupa usando im´agenes multiespectrales. Universidad Nacional de Colombia (2021).
Huam´an-Ampuero, J.: Data Set de Im´agenes de Hojas de Palta Para Detecci´on de Enfermedad Causadas por Trips. Revista de Investigaci´on MICAELA, vol. 5, no. 1, pp. 36-41 (2024). Disponible en: https://www.researchgate.net/ publication/385092774_Data_Set_de_Imagenes_de_Hojas_de_Palta_Para_ Deteccion_de_Enfermedad_Causadas_por_TripsDataset_of_Avocado_Leaf_ Images_for_Detection_of_Disease_Caused_by_Thrips.
DJI: DJI Mavic 3M – Especificaciones t´ecnicas. DJI Enterprise. Disponible en:
https://ag.dji.com/es/mavic-3-m (2023).
Zavala-Segoviano, A., Cabrera-Sixto, J.M.: Identificaci´on de las deficiencias de N, P y K en ma´ız (Zea mays) mediante t´ecnicas de percepci´on remota. Congreso Inter- nacional de Investigacion e Innovaci´on 2016, pp. 1-6 (2016). Disponible en: https:
//congresoucec.com.mx/documentos/mem2016/Ponencias/P-UCEC383.pdf
Sergieieva, K.: ´Indices de vegetaci´on y teledetecci´on en agricultura de precisi´on. EOS Data Analytics, EOS Blog (2023). Disponible en: https://eos.com/es/blog/ indices-de-vegetacion/. Publicado el 18-feb-2022.
Jensen, J.R.: Remote Sensing of the Environment: An Earth Resource Perspective. 2nd edn. Pearson Prentice Hall, Upper Saddle River (2007)
Park, C.H., Gaona, P., Viteri D´ıaz, P., Merino Toro, J., Viera Arroyo, W., Mej´ıa Bonilla, P., Hinojosa Acurio, M., Noboa Basantes, M.: Revisio´n bibliogr´afica de las deficiencias de nutrientes en aguacate. KOPIA – INIAP, Ecuador (2023).