Identificación y clasificación de la mosca de la fruta de las especies Anastrepha fraterculus y Ceratitis capitata en imágenes utilizando un modelo de visión computacional basado en transferencia de aprendizaje

Abstract

Este estudio presenta un modelo de visión computacional basado en transferencia de aprendizaje para la clasificación automatizada de las especies de moscas de la fruta Anastrepha fraterculus y Ceratitis capitata, cuya identificación manual, actualmente realizada por expertos del Servicio Nacional de Sanidad Agraria del Perú (SENASA), enfrenta limitaciones de tiempo y consistencia. La plaga de la familia Tephritidae genera graves daños en la producción frutícola de la provincia de La Convención, motivando la necesidad de soluciones que optimicen la gestión y clasificación de estas especies. SENASA ha implementado una red de trampas para capturar muestras, que luego son clasificadas en laboratorios especializados, aunque esta labor resulta compleja debido a la fatiga de los especialistas y a la variabilidad morfológica de las especies. Para abordar estos desafíos, este proyecto implementó un modelo de aprendizaje profundo, entrenado con imágenes capturadas con un teléfono celular a través del ocular de un estereomicroscopio en un entorno controlado. Las imágenes fueron segmentadas y preprocesadas para resaltar características morfológicas relevantes, empleando los modelos preentrenados VGG16, VGG19 e Inception-v3. Los resultados mostraron que Inception-v3 alcanzó el mayor F1-score (100.00%), superando a VGG16 (92.00%) y a VGG19 (87.00%). Su confiabilidad fue verificada utilizando imágenes de entornos no controlados, incluidas imágenes de internet, además de la técnica Grad-CAM, que confirmó su capacidad para capturar características clave de las especies. Estos hallazgos sugieren que Inception-v3 es un método efectivo y aplicable en sistemas de monitoreo automatizados, con potencial para mejorar la precisión y eficiencia en la clasificación de A. fraterculus