MODELOS DE INTELIGENCIA ARTIFICIAL BASADOS EN APRENDIZAJE PROFUNDO APLICADOS A LA DETECCION DE FRUTOS DE OLIVO EN TACNA, PERU

Abstract

El cambio climático, el fenómeno del niño, las enfermedades infecciosas, el follaje y la sombra del fruto pueden tener un impacto significativo en el conteo y estimación automatizados de la productividad en parcelas de frutos de olivo. Con una superficie de 35,000 ha., la Región de Tacna es el principal productor con 81% de las aceitunas en Perú y es el segundo exportador y tercer productor de aceite de oliva en América del Sur. El objetivo del presente artículo es comparar el rendimiento de modelos de IA para la detección de frutos de olivo. Este trabajo utiliza un conjunto de 10,728 imágenes obtenidas de recortar 447 fotografías de árboles de olivos en La Yarada Los Palos, Tacna, Perú. Este estudio compara modelos de inteligencia artificial basados en aprendizaje profundo con 3 arquitecturas aplicadas a la detección de objetos: "YOLOv8s, Faster R-CNN 101 y RetinaNet 101". Las imágenes se dividieron en 8,549 (80 %) para entrenamiento y 2,179 (20 %) para validación. Los resultados de la investigación de detección de frutos de olivo muestran que los modelos Yolov8s mejoran en mAP "Mean Average Precisión" de 0,94759, Faster R-CNN101 de 0,78131 y RetinaNet101 de 0,69626.