Cari lncahuanaco, FranciscoHuaylla Quispe, AlejandninaValverde Ramirez, Juan Carlos2026-01-292026-01-292026-01-29https://hdl.handle.net/20.500.14195/1447El maíz es un cultivo importante en el Perú, esencial para la seguridad alimentaria. Sin embargo, su cultivo enfrenta desafíos significativos debido a enfermedades debilitando como la Trips del maíz, y el virus del Roya del maíz, que pueden conducir a graves pérdidas del rendimiento. Los métodos tradicionales de diagnostico de enfermedades de las plantas a menudo requieren mucho tiempo y son propensos a errores, lo que requiere enfoque más eficiente. Este estudio explora la aplicación de apredizaje profundo, especialmente las redes neuronales convolucionales (CNN), en la detección y clasificación automáticas de enfermedades del maíz. El objetivo de este estudio es comparar la precisión de dos arquitecturas: CNN básico y ResNet18, la imagen de prueba utilizo un conjuinto de datos formado de 3087 imágenes que comprenden de enfermedades de las hojas del maíz, las clases están conformados por, Trips, Roya y hojas Sanas. Además, realizamos un ajuste hiperparametros para mejorar el rendimiento de los modelos y el mapeo de activación de clases ponderado por gradiente, para la interpretabilidad del modelo. Nuestros resultados muestran que el modelo ResNet18 demostro una precisión del 99.38% al distinguir entre pantas sanas y enfermas. Los resultados de este estudio contribuyen al avance de las aplicaciones de IA en la agricultura, en particular en el diagnóstico de enfermedades del maíz en Curahuasi Perú.application/pdfspainfo:eu-repo/semantics/openAccessEnfermedades del maízRedes neuronales convolucionalesAprendizaje ProfundoTrips del Maíz y Roya del Maízinfo:eu-repo/semantics/bachelorThesishttps://purl.org/pe-repo/ocde/ford#2.02.04