Novasinergia 2025, 8(1), 142-156. https://doi.org/10.37135/ns.01.15.06 http://novasinergia.unach.edu.ec
Artículo de Investigación
Clasificación de enfermedades en hojas de papa utilizando
Transformadores de Visión
Potato leaf disease classification using Vision Transformers
Fernando David Valle-Medina1, Luis Javier Castillo-Heredia1,
Mirella Azucena Correa-Peralta1, Jomar Elizabeth Guzmán Seraquive1
1Universidad Estatal de Milagro, Milagro, Ecuador, 091050;
fvallem@unemi.edu.ec; mcorreap@unemi.edu.ec; jseraquive@unemi.edu.ec
*Correspondencia: lcastilloh@unemi.edu.ec
Citación: Valle, F.; Castillo, L.;
Correa, M. & Guzmán, J.,
(2025). Clasificación de
enfermedades en hojas de papa
utilizando Transformadores de
Visión. Novasinergia. 8(1). 142-
156.
https://doi.org/10.37135/ns.01.
15.06
Recibido: 15 mayo 2024
Aceptado: 05 agosto 2024
Publicado: 08 enero 2025
Novasinergia
ISSN: 2631-2654
Resumen: La detección y clasificación de enfermedades en cultivos es
crucial para el desarrollo y crecimiento del sector agrícola. El uso de
técnicas tradicionales y el bajo nivel técnico aplicado al control de los
sembríos generan grandes pérdidas para los agricultores. La visión por
computadora aporta soluciones en este campo, no obstante, las
investigaciones actuales se centran en el uso de redes neuronales
convolucionales (Convolutional Neural Networks, CNNs), las cuales
tienen una limitada capacidad para ubicar de forma precisa las
características de mayor relevancia en una imagen. Para superar estas
limitaciones, nuestro estudio propone un modelo de aprendizaje
profundo basado en la arquitectura de Transformadores de Visión
(Vision Transformers, ViT) para detectar y clasificar las enfermedades
tizón temprano y tizón tardío en las hojas de papa. En esta
investigación se evidencia cómo las técnicas de aumento de datos,
ajuste fino y aprendizaje por transferencia permiten mejorar el
rendimiento del modelo. El conjunto de datos para entrenamiento y
prueba fue tomado de la plataforma PlantVillage. El reporte de
métricas de evaluación del modelo propuesto alcanza una exactitud de
99.18% y un puntaje F1 de 98.7%. Los resultados demuestran un alto
nivel de predicción en las enfermedades foliares de papa y evidencian
la eficiencia de los mecanismos de atención. Se concluye que el modelo
se consolida como una herramienta innovadora y funcional para los
agricultores.
Palabras clave: Agricultura de precisión, Aprendizaje profundo,
Clasificación de imágenes, Enfermedades de la papa, Transformadores
de visión (ViT).
Copyright: 2025 derechos
otorgados por los autores a
Novasinergia.
Este es un artículo de acceso abierto
distribuido bajo los términos y
condiciones de una licencia de
Creative Commons Attribution
(CC BY NC).
(http://creativecommons.org/licens
es/by-nc/4.0/).
Abstract: Disease detection and classification in crops is crucial for the
development and growth of the agricultural sector. Traditional techniques and
the low technical level applied to crop control generate significant losses for
farmers. Computer vision offers solutions in this field; however, current
research focuses on using convolutional neural networks (CNNs), which
cannot accurately locate the most relevant features in an image. To overcome
these limitations, this study proposes a deep learning model based on the
Vision Transformers (ViT) architecture to detect and classify early and late
blight diseases in potato leaves. This research demonstrates how data
augmentation, fine-tuning, and transfer learning techniques can improve the
model's performance. The dataset for training and testing was taken from the
PlantVillage platform. The report of the proposed model's evaluation metrics
reaches an accuracy of 99.18% and an F1 score of 98.7%. The results
demonstrate a high level of prediction in potato foliar diseases and evidence of
the efficiency of attention mechanisms. It is concluded that the model is an
innovative and functional tool for farmers.
Keywords: Precision agriculture, Deep learning, Image classification, Potato
diseases, Vision transformer (ViT)
Novasinergia 2025, 8(1), 142-156 143
1. Introducción
La Comisión Económica para América Latina y el Caribe plantea la importancia de
acelerar los procesos de digitalización como un factor crucial para asegurar la
sostenibilidad, la generación de oportunidades y la reducción de brechas entre el sector
rural y el urbano en la región (CEPAL, FAO, & IICA, 2021). En Ecuador, el cultivo de papa
(Solanum tuberosum) mantiene una posición relevante dentro de la economía y producción
en la zona andina. Su importancia cultural, socioeconómica y su aporte como alimento
nutritivo son pilares fundamentales en la seguridad y soberanía alimentaria (Ministerio de
Agricultura y Ganadería, 2022). En los últimos años el sector agrícola ecuatoriano ha
enfrentado varios desafíos relacionados principalmente con la alteración de patrones
climáticos, la aparición de nuevas plagas y enfermedades que generan pérdidas
significativas en la calidad y producción de la papa (López Calvajar et al., 2017). Entre las
enfermedades con mayor impacto y cuyos efectos se hacen visibles en las hojas de papa
tenemos: el tizón temprano, causado por el hongo Alternaria solani; el tizón tardío,
generado por la bacteria Phytophthora infestans; la rizoctoniasis y diversas virosis, entre
otras (Pérez & Forbes, 2016).
En las últimas décadas, el cultivo de papa se ha intensificado en varias zonas del Ecuador;
no obstante, el escaso manejo técnico, el limitado asesoramiento al agricultor y el uso
excesivo de productos químicos han generado la aparición de nuevas plagas y serios
problemas ambientales (Barrera et al., 2002). Las estrategias tradicionales para enfrentar y
detectar enfermedades en los sembríos se basan en métodos manuales laboriosos que
requieren mucho tiempo para su ejecución (Paucar Buñay, 2016). La identificación
automática de enfermedades de las plantas es esencial para una agricultura de precisión, ya
que permite monitorear grandes extensiones de cultivos de manera eficiente y precisa. Al
adoptar enfoques de aprendizaje automático, se pueden detectar y clasificar enfermedades
en las plantas de forma rápida y con una mayor exactitud (Shirahatti et al., 2018).
Los avances en el campo de la Inteligencia Artificial (IA) han impulsado un desarrollo
significativo en las técnicas de aprendizaje automático (Ihme at al., 2022). En los últimos
años, se han optimizado modelos y algoritmos con capacidades avanzadas que permiten
analizar grandes volúmenes de datos, mejorando la precisión y eficiencia en tareas
específicas como la predicción y clasificación de información (Pintelas et al., 2020). El
aprendizaje supervisado, uno de los paradigmas fundamentales del aprendizaje automático
utiliza datos etiquetados para entrenar modelos y predecir resultados futuros (Sen et al.,
2020). En el ámbito del procesamiento de imágenes, diferentes técnicas de aprendizaje
supervisado se han convertido en herramientas valiosas para la extracción e interpretación
de patrones, texturas y objetos (Elngar et al., 2021). Esta capacidad permite generar diversas
aplicaciones, tales como la detección de enfermedades en cultivos, el reconocimiento facial
y la detección de objetos en la robótica.
El aprendizaje profundo (deep learning, DL) y las redes neuronales convolucionales
(Convolutional Neural Networks, CNNs) han transformado notablemente el campo de la
visión por computadora (Lecun et al., 2015). Las redes neuronales profundas permiten
diagnósticos más rápidos y precisos en el campo de la detección temprana de enfermedades
Novasinergia 2025, 8(1), 142-156 144
en cultivos (Mahum et al., 2022). De acuerdo con la literatura sobre la clasificación de
enfermedades de la papa se observa una predominancia de la arquitectura de redes
neuronales convolucionales. En recientes estudios realizados por Sakkarvarthi et al. (2022)
y Lozada-Portilla et al. (2021) se obtienen tasas de exactitud de entre el 88% a 90% en la
clasificación exitosa de enfermedades, respectivamente. Pese a que estos valores son
relativamente aceptables existe un margen de mejora mediante el uso de metodologías
modernas e innovadoras para la visión artificial. La arquitectura de Transformadores
(Transformers) ha marcado un hito en el procesamiento del lenguaje natural (PNL) a través
de la aplicación de mecanismos de atención expuestos en el trabajo original Attention is all
you need (Vaswani et al., 2017). Inspirados por este desempeño se ha desarrollado una
adaptación innovadora para tareas de visión por computador, dando origen a los
Transformadores de Visión (Vision Transformer, ViT). Esta tecnología concibe cada imagen
como una secuencia de palabras equivalente a 16x16 píxeles y utiliza mecanismos de
autoatención, evitando así la dependencia convolucional y logrando procesar la
información de manera paralela y simultánea (Dosovitskiy et al., 2021).
La arquitectura ViT procesa las imágenes de entrada dividiéndolas en parches, los cuales
son convertidos en vectores que mantienen características similares entre sí. Estas nuevas
entradas son codificadas posicionalmente conservando su estructura espacial y mediante
bloques de atención se define la relación global que existe entre los diferentes parches. Esto
permite que el modelo identifique patrones, texturas y colores, facilitando la clasificación en
diferentes categorías. Las altas capacidades de aprendizaje que demuestran los modelos ViT
se logran mediante el entrenamiento con conjuntos de datos a gran escala (Khan et al., 2023).
Para enfrentar el desafío que representa el volumen de información requerida por los
modelos para su entrenamiento existen proyectos que proporcionan una extensa base de
imágenes diseñadas para investigación. ImageNet, por ejemplo, proporciona una base de
datos con más de 14 millones de imágenes (Deng et al., 2009), mientras que JFT-300M de
Google contiene aproximadamente 300 millones de imágenes etiquetadas en miles de
categorías (Sun et al., 2017).
El aprendizaje por transferencia (transfer learning) es una estrategia que permite aprovechar
el conocimiento adquirido por un modelo que ha sido preentrenado. Esta técnica busca
aprovechar los patrones y características generales aprendidos, adaptándolos mediante
ajuste fino (fine-tuning) a tareas específicas. Este procedimiento implica la modificación de
las capas finales del modelo, otorgándole un enfoque particular. En la investigación para
el reconocimiento de enfermedades en plantas realizada por Pavel et al. (2021), se
compararon 3 arquitecturas preentrenadas de redes neuronales convolucionales:
InceptionV3, Inception-ResNetV2, y ResNet34. Esta investigación evaluó su capacidad para
clasificar 7600 imágenes distribuidas en 38 categorías. Los resultados revelaron que el
modelo ResNet34 logró la precisión más alta con un 97,03%. En el estudio realizado por
Shaheed et al. (2023), se propone un nuevo modelo que integra ViT y ResNet50. Los
resultados preliminares alcanzaron una exactitud de 97.65%, el modelo demuestra un buen
nivel para clasificar enfermedades incluso con muestras distorsionadas. Barman et al. (2024)
aplican una solución basada en teléfonos inteligentes utilizando el modelo ViT para
clasificar plantas sanas y enfermas. El rendimiento alcanzado en las pruebas fue de 90.99%.
Novasinergia 2025, 8(1), 142-156 145
El objetivo principal de este estudio es explorar y evaluar la arquitectura de los
Transformadores de Visión (ViT) para detectar y clasificar enfermedades en las hojas de
papa. Entre las afectaciones más graves en este cultivo, nos enfocamos en el tizón temprano
y el tizón tardío, cuyas afectaciones son devastadoras para la calidad y producción de la
papa. A diferencia de la mayoría de las investigaciones que emplean redes neuronales
convolucionales, este trabajo propone la hipótesis de que el modelo ViT puede ofrecer un
rendimiento superior, demostrando cómo, incluso con datos limitados se pueden lograr
resultados significativos en la clasificación de enfermedades foliares.
2. Metodología
La revolución causada por el aprendizaje profundo en aplicaciones de visión por
computadora ha influido significativamente en el avance tecnológico agrícola. El enfoque
propuesto en este estudio sigue una secuencia de pasos esenciales. Primero, se recopilan
imágenes de hojas sanas y de muestras con afectaciones de tizón temprano y tizón tardío.
Posteriormente, se aplican técnicas de aumento de datos (data augmentation) para
equilibrar el número de imágenes en cada clase y prevenir el sobreajuste. A continuación,
se realiza el preprocesamiento de las imágenes para su adaptación a la arquitectura ViT y
se ajustan los hiperparámetros del modelo para optimizar su rendimiento en la clasificación.
Una vez configurado el modelo se procede al entrenamiento y prueba. Finalmente, se
calculan las métricas de evaluación para medir los resultados y cuantificar el rendimiento.
Figura 1: Diagrama de bloques del modelo propuesto.
2.1. Adquisición del conjunto de datos
La base de datos utilizada en nuestro estudio proviene del proyecto PlantVillage
(Mohanty et al., 2016), que ofrece una extensa colección de imágenes sobre numerosos
cultivos y enfermedades. La perspectiva de acceso abierto y colaborativo de esta plataforma
facilita a la comunidad científica realizar investigaciones de aprendizaje profundo aplicadas
a la agricultura. El total de 54306 imágenes se encuentra dividido en 38 categorías, que
incluyen ejemplares de plantas sanas y 26 tipos de enfermedades en diversas especies. Para
nuestro estudio, se seleccionó un subconjunto de datos de hojas de papa que contiene 2152
imágenes y un tamaño de 40 MB. Estas imágenes se organizan en tres clases: saludable, tizón
temprano y tizón tardío, cada una con una resolución de 256x256 píxeles en formato RGB.
La distribución de imágenes por categoría se detalla en la Tabla 1.
Novasinergia 2025, 8(1), 142-156 146
Tabla 1: Cantidad de imágenes clasificadas por categoría.
Clases
Número de imágenes
Imágenes de entrenamiento
Imágenes de prueba
saludable
152
122
30
tizón temprano
1000
800
200
tizón tardío
1000
800
200
Total
2152
1722
430
La Figura 2 ilustra ejemplos de muestras incluidas en el conjunto de datos. En las imágenes
se pueden observar las diferencias entre las afectaciones de las hojas de papa. La primera
fila evidencia las principales características de hojas saludables; la segunda fila muestra
lesiones en los bordes y manchas oscuras circulares causadas por el tizón temprano; la
tercera fila presenta ejemplos de marchitamiento y decoloración provocados por el tizón
tardío.
Figura 1: Ejemplos de muestras seleccionadas de cada clase del conjunto de datos
2.2. Aumento de datos
En visión artificial las técnicas de aumento de datos son fundamentales para
incrementar su diversidad y volumen. En el conjunto de imágenes utilizado, la clase
saludable presenta una menor cantidad de muestras, lo cual provoca un desbalance en la
distribución total. Para evitar posibles problemas en la generalización del modelo, se
utilizaron técnicas de aumento de datos mediante el método ImageDataGenerator de la
biblioteca Keras. Las técnicas utilizadas fueron: volteo horizontal, volteo vertical, rotación
de imagen (20 grados), adición de ruido (factor=0.1), ajuste de brillo (factor entre 0.8 y 1.2)
Novasinergia 2025, 8(1), 142-156 147
y escalamiento (factor entre 0.5 y 1.5). Esta estrategia de enriquecimiento de datos no solo
compensa la falta de diversidad, sino que también ayuda a prevenir el sobreajuste,
fortaleciendo la capacidad del modelo para generalizar. La configuración de imágenes
modificadas se estableció en un 80% para el conjunto de entrenamiento y un 20% para el
conjunto de prueba.
Tabla 2: Imágenes aumentadas clasificadas en entrenamiento y prueba
Clases
Conjunto de datos
Conjunto de entrenamiento (80%)
Conjunto de prueba
(20%)
saludable
1000
800
200
tizón temprano
1000
800
200
tizón tardío
1000
800
200
Total
3000
2400
600
2.3. Arquitectura de Transformadores de Visión (ViT)
En el procesamiento del lenguaje natural (PLN), la arquitectura de Transformadores
se ha establecido como el nuevo estándar para manejar secuencias de datos (Vaswani et al.,
2017). Recientemente, el enfoque de autoatención está revolucionando el campo de la visión
artificial demostrando que la investigación en esta área puede prescindir de las redes
neuronales convolucionales. Un transformador puro, aplicado a una secuencia de parches
de imágenes puede obtener excelentes resultados en tareas de clasificación. El presente
estudio basa la clasificación de enfermedades de la papa en el modelo ViT base propuesto
por Dosovitskiy et al. (2021). La Figura 3 muestra la estructura del modelo Transformador
de Visión.
Figura 2: Arquitectura del modelo Transformador de Visión
Novasinergia 2025, 8(1), 142-156 148
En la fase inicial, el modelo recibe como entrada imágenes bidimensionales (2D) que son
divididas en parches cuadrados de 16x16 píxeles. Consecuentemente, los parches son
aplanados y convertidos en vectores unidimensionales (1D). La secuencia de entrada al
codificador Transformador, por lo tanto, consiste en vectores numéricos unidimensionales
conocidos como tokens.
Para una imagen de entrada, es la resolución de la imagen original y es el número
de canales.
Para un parche de tamaño , se crean N parches de la imagen.
Posteriormente, los parches aplanados (vectores 1D) se introducen en la capa de proyección
lineal, que opera de manera similar a una red neuronal convolucional. En esta capa, cada
valor de color de los píxeles se asigna a neuronas específicas, generando a través de
transformaciones lineales un vector de dimensiones reducidas. Este proceso consta de dos
operaciones principales: la multiplicación de la entrada por una matriz de pesos, seguida
de la adición de un vector de sesgo (bias). Los pesos y sesgos se aprenden y optimizan
durante el proceso de entrenamiento. La reducción dimensional del vector resultante
permite extraer características esenciales y capturar la información más relevante en la
representación del objeto, mientras que simultáneamente se eliminan variaciones
irrelevantes en los datos. En la siguiente fase, se añaden incrustaciones de posición (position
embeddings) a los parches procesados. Estas incrustaciones, construidas mediante una
combinación de funciones sinusoidales y cosenoidales, proporcionan al modelo
información crucial sobre la ubicación espacial de cada parche en la imagen original. Este
enfoque facilita el aprendizaje del modelo para atender eficientemente a las posiciones
relativas dentro de la imagen.
El bloque de Atención Multicabeza (Multi-head Attention) consiste en varias capas de
autoatención ejecutándose en paralelo siendo el componente principal para que el modelo
entienda la relación entre los parches de una imagen y la imagen completa. La función de
atención calcula una puntuación de similitud entre una consulta (Query) y un conjunto de
pares clave-valor (Key-Value). Estas puntuaciones se obtienen mediante el producto punto
de los vectores de consulta con todos los vectores clave, aplicando una función softmax para
normalizar los resultados.
son matrices y es la dimensión de queries and keys.
En modelo mejora su rendimiento al ejecutar h operaciones de autoatención simultáneas,
conocidas como bloque Multi-head Attention. Estas operaciones se concatenan y se
proyectan linealmente, generando como resultado los valores de salida de ese bloque. De
esta manera, se logra que el modelo preste atención a las características principales de
diferentes subespacios de representación en diferentes posiciones.
Novasinergia 2025, 8(1), 142-156 149
En (5), son matrices de pesos aprendidos durante el entrenamiento y
El bloque de normalización (Norm) facilita el flujo de información aportando estabilidad y
eficiencia al entrenamiento. Este proceso ajusta y reduce dinámicamente el impacto de las
variaciones internas del modelo, mejorando su capacidad de generalización (Ba et al., 2016).
Por último, el bloque Perceptrón Multicapa (Multi-layer Perceptron, MLP) permite
aprender relaciones complejas y no lineales de los datos, potenciando significativamente el
rendimiento en la clasificación en cada una de las categorías.
2.4. Ajuste de parámetros
En este estudio se utilizó la biblioteca torchvision de Pytorch, la cual ofrece modelos
y pesos preentrendados. De las versiones propuestas por Dosovitskiy et al. (2021), se eligió
el modelo base VIT-B/16 para la clasificación de enfermedades en hojas de papa, con un
tamaño de parche de 16x16 píxeles. El bloque de clasificación MLP se configuró con tres
categorías: saludable, tizón temprano y tizón tardío. Las características de entrada del
modelo son: tamaño del lote (batch size) = 32, canales de color (RGB) = 3, alto = 224 píxeles,
ancho = 224 píxeles. En la Tabla 3 se propone un resumen que detalla la arquitectura del
modelo VIT-B/16 y el ajuste fino realizado.
Tabla 3: Resumen de capas y ajuste de parámetros del modelo VIT-B/16.
Capas
Entrada
Salida
Parámetros
VisionTransformer
[32, 3, 224, 224]
[32, 3]
768
Conv2d
[32, 3, 224, 224]
[32, 768, 14, 14]
(590,592)
Encoder (encoder)
[32, 197, 768]
[32, 197, 768]
151,296
Dropout (dropout)
[32, 197, 768]
[32, 197, 768]
--
EncoderBlock (0 - 12)
[32, 197, 768]
[32, 197, 768]
7,087,872
LayerNorm (ln)
[32, 197, 768]
[32, 197, 768]
1536
Linear (heads)
[32, 768]
[32, 3]
2,307
El modelo cuenta con un total de 85 millones de parámetros preentrenados utilizando el
conjunto de datos ImageNet-1K. La mayoría de estos parámetros no se ajustan durante el
entrenamiento para preservar la extracción de características aprendidas; sin embargo, 2307
de estos parámetros son entrenables. La arquitectura consta de 12 capas y 768 dimensiones
de características. En los bloques codificadores, la información se procesa secuencialmente
y al conjunto de 196 parches se le agrega un token de clasificación, lo que resulta en una
dimensión final de 197 tokens. Para prevenir el sobreajuste se implementó la técnica de
regularización (dropout), mientras que la capa de normalización (LayerNorm) estabiliza el
aprendizaje y mejora la convergencia durante el entrenamiento. Además, se ajustó la última
capa para que sea entrenable, permitiendo clasificar cada lote de 32 imágenes en una de las
3 clases correspondientes.
2.5. Métricas de evaluación
Para ejecutar y evaluar el modelo se utilizó el siguiente hardware: procesador Intel(R)
Core(TM) i7-6500U CPU @ 2.50GHz (4 CPUs), ~2.6GHz con 12 GB de RAM, tarjeta gráfica
Novasinergia 2025, 8(1), 142-156 150
NVIDIA GeForce 920M y sistema operativo Windows 10 de 64 bits. Los algoritmos fueron
ejecutados en el framework PyTorch 2.2.1+cu121 utilizando Python 3.10.12. El modelo fue
entrenado durante 10 épocas (epochs) y utilizando el optimizador Adam con una tasa de
aprendizaje (learning rate) de
El estudio se evaluó en base a las siguientes métricas: exactitud (accuracy), precisión
(precision), sensibilidad (recall), puntaje F1 (F1-score). Estas métricas se basan en los
siguientes conceptos, Verdaderos Positivos (True Positives, TP), Verdaderos Negativos
(True Negatives, TN ), Falsos Positivos (False Positives, FP) y Falsos Negativos (False
Negatives, FN).
3. Resultados
La Figura 4, ilustra las curvas de pérdida y precisión del modelo Transformador de
visión (ViT). El eje y representa los valores de pérdida, mientras que el eje x muestra el
número de épocas. Durante el proceso de entrenamiento, se observa una progresiva
evolución del rendimiento durante las iteraciones de cada época. En la etapa inicial, se
registra una pérdida de entrenamiento de 0.3239, en contraste con una pérdida de prueba
de 0.1545. El modelo exhibe una rápida convergencia, estabilizándose en la décima época
con una reducción significativa de la pérdida de entrenamiento a 0.0178, mientras que la
pérdida de prueba alcanza un valor de 0.0357. Los resultados sugieren una generalización
eficaz minimizando el sobreajuste. En términos de exactitud, el modelo presenta un valor
de 99.92% en el conjunto de entrenamiento y logra un notable 99.18% en el conjunto de
prueba, evidenciando una elevada eficacia en la clasificación de enfermedades en hojas de
papa.
Novasinergia 2025, 8(1), 142-156 151
Figura 4: a) Pérdida de entrenamiento y prueba b) Exactitud de entrenamiento y prueba en porcentaje
La Tabla 4 muestra el reporte de clasificación completo con las métricas propuestas en (6),
(7), (8) y (9). Los resultados revelan valores equilibrados y eficientes, lo cual se traduce en
una clasificación altamente precisa en cada una de las clases.
Tabla 4: Comparación de las métricas de evaluación para cada clase propuesta
Clase
Precisión
Sensibilidad
Puntaje F1
Exactitud
saludable
0.975
100
0.987
99.18%
tizón temprano
1.00
1.00
1.00
tizón tardío
1.00
0.975
0.987
Para evaluar el rendimiento del modelo en la predicción de 600 muestras de prueba, se
utilizó la herramienta matriz de confusión. La Figura 5 ilustra la distribución de
predicciones para las categorías: saludable, tizón temprano y tizón tardío, contrastando los
valores verdaderos con los predichos. Las celdas diagonales de la matriz representan las
clasificaciones correctas para cada clase, mientras que los elementos fuera de la diagonal
indican el número de predicciones erróneas. El modelo clasifica acertadamente las 200
instancias de las clases saludable y tizón temprano, con ausencia total de falsos positivos y
negativos en estas categorías. La única confusión se observa en la clase tizón tardío, donde
cinco instancias fueron erróneamente clasificadas como saludables, lo que, sugiere una
ligera dificultad del modelo para distinguir etapas iniciales de estas enfermedades.
Novasinergia 2025, 8(1), 142-156 152
Figura 5: Evaluación del modelo mediante la matriz de confusión para la clasificación de imágenes en las clases:
saludable, tizón temprano, tizón tardío.
La Tabla 5 presenta un análisis comparativo del rendimiento de diversas arquitecturas de
redes neuronales convolucionales (CNNs) y el modelo Transformador de Visión (ViT) en la
tarea de clasificación de enfermedades foliares en papa. Los modelos evaluados incluyen
las arquitecturas InceptioV3, ResNet50, VGG16, VGG19 y ViT. Todas las arquitecturas
fueron sometidas a condiciones idénticas de preprocesamiento de imágenes y entrenadas
mediante técnicas de aprendizaje por transferencia.
Tabla 5: Comparación de rendimiento entre arquitecturas de CNN y ViT para la clasificación de enfermedades foliares
en papa
Modelo
Parámetros (M)
Épocas
Exactitud en prueba
InceptionV3
38.5
30
97.17%
ResNet50
36.4
30
96.53%
VGG16
17.9
30
90.28%
VGG19
23.2
30
77.78%
ViT
85.8
10
99.18%
4. Discusión
El presente estudio tuvo como objetivo clasificar enfermedades de las hojas de papa
evaluando el modelo de Transformadores de Visión (ViT). Los resultados obtenidos
demuestran un rendimiento superior de la arquitectura ViT en comparación con las
arquitecturas CNNs. La Figura 4(a) muestra una rápida convergencia del modelo, lo cual es
indicativo de una eficiente capacidad de aprendizaje desde las primeras épocas. La
reducción significativa de la pérdida en el conjunto de entrenamiento, junto con la
disminución de la pérdida en el conjunto de prueba hasta 0.0357, señala una robusta
capacidad de generalización del modelo. En la Figura 4(b) se observa una alta exactitud en
el conjunto de prueba (99.18%), que se aproxima estrechamente a la exactitud del conjunto
de entrenamiento (99.92%). Esta reducida diferencia sugiere que el modelo no solo ha
aprendido a clasificar correctamente las imágenes de entrenamiento, sino que también
mantiene un desempeño excepcional en datos no vistos previamente. La congruencia en las
Novasinergia 2025, 8(1), 142-156 153
curvas de pérdida y la alta exactitud en ambos conjuntos sugieren una regulación adecuada
del modelo, evitando el sobreajuste común en arquitecturas complejas de aprendizaje
profundo.
El análisis de la matriz de confusión revela que el modelo clasifica correctamente todas las
instancias de las clases saludable y tizón temprano, sin cometer errores en estas categorías.
En la clase tizón tardío, se observa una confusión mínima donde cinco instancias fueron
incorrectamente clasificadas como saludables. Estos resultados demuestran el significativo
desempeño obtenido mediante el modelo ViT. El procesamiento de los parches de las
imágenes facilita la captura de patrones morfológicos característicos en las muestras, lo que
sugiere que el mecanismo de atención empleado presenta mayor efectividad en la detección
de enfermedades foliares. El reporte de métricas de evaluación detallado en la Tabla 4,
subraya la eficacia de ViT frente a otras arquitecturas. La precisión, sensibilidad y el puntaje
F1 son elevados en todas las clases, indicando una clasificación altamente precisa y
balanceada.
Para validar el rendimiento del modelo ViT, la Tabla 5 muestra la comparación de la
exactitud en la clasificación de imágenes en las tres clases propuestas (saludable, tizón
temprano, tizón tardío) en relación con diferentes arquitecturas de CNNs. El modelo
InceptionV3 entrenado en 30 épocas y con 38.5 millones de parámetros, alcanzó la exactitud
máxima en prueba de 97.17%. Los valores obtenidos señalan que, a pesar de que el modelo
ViT requiere una mayor cantidad de datos para su entrenamiento, con técnicas de
aprendizaje por transferencia en 10 épocas superó a InceptionV3 en términos de exactitud y
capacidad de generalización. El modelo ResNet50 alcanzó una exactitud de 96.53% y el
modelo VGG16 un 90.28%. El modelo VGG19 obtuvo la menor exactitud en la validación.
Estos resultados indican que el modelo ViT presenta un mejor desempeño en la captura de
relaciones globales en las imágenes, lo cual mejora la flexibilidad y adaptabilidad.
Al comparar los resultados de las métricas obtenidas en nuestro estudio con investigaciones
similares, se observa que Lozada-Portilla et al. (2021) utilizaron distintas arquitecturas de
CNNs para evaluar el rendimiento en la clasificación de hojas de papa infectadas con tizón
tardío alcanzando una exactitud máxima del 90%. En la investigación realizada por Shaheed
et al. (2023) se evaluaron distintas técnicas de aprendizaje por transferencia y se propuso la
integración de un nuevo modelo que combina la arquitectura ResNet50 y ViT, alcanzando
una exactitud del 99,12% en un conjunto de datos de hojas de papa especializado. El marco
híbrido presentado en la investigación de Arshad et al. (2023) logró una precisión general
del 98,66% al combinar características profundas de los modelos VGG19 e InceptionV3 en
la predicción de enfermedades en cultivos de papa. Basados en la revisión de estos estudios
y respaldados por los resultados obtenidos, se evidencia que la arquitectura propuesta
presenta un rendimiento superior en la detección de enfermedades en hojas de papa.
Si bien el modelo presenta un excelente desempeño, es preciso reconocer sus limitaciones.
El conjunto de datos de PlantVillage no presenta imágenes de hojas en un escenario o campo
agrícola natural. La diversidad entre diferentes condiciones climáticas y variedades de
papas son aspectos que aún requieren un mayor enfoque. Para investigaciones futuras, se
pretende ampliar el conjunto de datos incluyendo una mayor variabilidad en las
características de las imágenes y medir el rendimiento del modelo en estas condiciones.
Novasinergia 2025, 8(1), 142-156 154
5. Conclusiones
En este estudio, se utilizó el modelo Transformador de Visión (ViT) para la detección
y clasificación de enfermedades en las hojas de papa. Los hallazgos confirman que el
preprocesamiento de imágenes mediante parches permite aprender y diferenciar
eficazmente entre muestras sanas e infectadas a través de mecanismos de atención. El
sobresaliente rendimiento del codificador transformador propuesto reduce la dependencia
tradicional de las redes neuronales convolucionales (CNNs) para tareas visuales complejas,
abriendo una nueva ruta tecnológica para enfrentar los desafíos agrícolas en la detección
automatizada de enfermedades. Las técnicas de aprendizaje por transferencia y ajuste fino
demuestran ser una solución altamente efectiva en tareas específicas de visión por
computadora orientadas al sector agrícola.
Para futuras investigaciones, se sugiere partir de un conjunto de datos ampliado y
balanceado, que incluya muestras de una mayor variedad de enfermedades. Esto permitirá
aplicar diferentes ajustes y técnicas a la arquitectura, contribuyendo a su aplicación práctica.
Concluimos destacando la relevancia de las técnicas de aprendizaje profundo como
herramientas innovadoras y funcionales para los agricultores. Los resultados obtenidos con
el modelo ViT consolidan estrategias que abordan y mitigan los desafíos del sector agrícola,
proporcionando soluciones efectivas que mejoran la productividad y detección de
enfermedades en cultivos de papa.
Contribuciones de los autores
En concordancia con la taxonomía establecida internacionalmente para la asignación
de créditos a autores de artículos científicos (https://casrai.org/credit/). Los autores declaran
sus contribuciones en la siguiente matriz:
Valle, F.
Castillo, L.
Correa, M.
Guzmán, J.
Conceptualización
Análisis formal
Investigación
Metodología
Recursos
Validación
Redacción – revisión y edición
Conflicto de Interés
Los autores manifiestan que no existe ningún tipo de conflicto de interés, ya sea,
financiero, personal o académico, que pueda influir en los resultados y conclusiones de este
estudio.
Novasinergia 2025, 8(1), 142-156 155
Referencias
Arshad, F., Mateen, M., Hayat, S., Wardah, M., Al-Huda, Z., Gu, Y. H., & Al-antari, M. A. (2023). PLDPNet:
End-to-end hybrid deep learning framework for potato leaf disease prediction. Alexandria Engineering
Journal, 78, 406-418. https://doi.org/10.1016/J.AEJ.2023.07.076
Ba, J. L., Kiros, J. R., & Hinton, G. E. (2016). Layer Normalization. Statistics – Machine Learning.
https://doi.org/10.48550/arXiv.1607.06450
Barman, U., Sarma, P., Rahman, M., Deka, V., Lahkar, S., Sharma, V., & Saikia, M. J. (2024). ViT-SmartAgri:
Vision Transformer and Smartphone-Based Plant Disease Detection for Smart Agriculture. Agronomy,
14(2), 327. https://doi.org/10.3390/AGRONOMY14020327
Barrera, V., Escudero, L., Norton, G. W., & Sherwood, S. (2002). Validación y difusión de modelos de manejo
integrado de plagas y enfermedades en el cultivo de la papa: Una experiencia de capacitación
participativa en la Provincia del Carchi, Ecuador. Revista Informativa INIAP, 16, 25-28.
http://repositorio.iniap.gob.ec/handle/41000/1493
Comisión Económica para América Latina y el Caribe [CEPAL], Organización de las Naciones Unidas para la
Agricultura y la Alimentación [FAO], & Instituto Interamericano de Cooperación para la Agricultura
[IICA]. (2021). Perspectivas de la Agricultura y del Desarrollo Rural en las Américas: una mirada hacia
América Latina y el Caribe 2021-2022. IICA. https://hdl.handle.net/11362/47208
Deng, J., Dong, W., Socher, R., Li, L.-J., Li, K., & Fei-Fei, L., (2009). ImageNet: A large-scale hierarchical image
database. IEEE Conference on Computer Vision and Pattern Recognition, FL, USA.
https://doi.org/10.1109/CVPR.2009.5206848
Dosovitskiy, A., Beyer, L., Kolesnikov, A., Weissenborn, D., Zhai, X., Unterthiner, T., Dehghani, M., Minderer,
G., Heigold, G., Gelly, S., Uszkoreit, J., & Houlsby, N. (2021). An Image is Worth 16x16 Words:
Transformers for Image Recognition at Scale. Computer Vision and Pattern Recognition.
https://doi.org/10.48550/arXiv.2010.11929
Elngar, A. A., Arafa, M., Fathy, A., Moustafa, B., Mahmoud, O., Shaban, M., & Fawzy, N. (2021). Image
Classification Based On CNN: A Survey. Journal of Cybersecurity and Information Management (JCIM),
6(1), 18-50. https://doi.org/10.54216/JCIM.060102
Ihme, M., Chung, W. T., & Mishra, A. A. (2022). Combustion machine learning: Principles, progress and
prospects. Progress in Energy and Combustion Science, 91. https://doi.org/10.1016/j.pecs.2022.101010
Khan, A., Rauf, Z., Sohail, A., Rehman, A., Asif, H., Asif, A., & Farooq, U. (2023). A survey of the vision
transformers and their CNN-transformer based variants. Artificial Intelligence Review, 56, 2917-2970.
https://doi.org/10.1007/s10462-023-10595-0
Lecun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521, 436-444.
https://doi.org/10.1038/nature14539
López Calvajar, G. A., López Fernández, R. C., & León González, J. L. (2017). Análisis de la influencia de
factores climatológicos en la pérdida de superficie sembrada de cultivos transitorios en el Ecuador.
Revista Científica Agroecosistemas, 5(3), 176-183.
https://aes.ucf.edu.cu/index.php/aes/article/view/155
Lozada-Portilla, W. A., Suarez-Barón, M. J., & Avendaño-Fernández, E. (2021). Aplicación de redes neuronales
convolucionales para la detección del tizón tardío Phytophthora infestans en papa Solanum
tuberosum. Revista U.D.C.A Actualidad & Divulgación Científica, 24(2), e1917.
https://doi.org/10.31910/rudca.v24.n2.2021.1917
Mahum, R., Munir, H., Mughal, Z. U. N., Awais, M., Sher Khan, F., Saqlain, M., Mahamad, S., & Tlili, I. (2022).
A novel framework for potato leaf disease detection using an efficient deep learning model. Human
and Ecological Risk Assessment: An International Journal, 29(2), 303–326.
https://doi.org/10.1080/10807039.2022.2064814
Novasinergia 2025, 8(1), 142-156 156
Ministerio de Agricultura y Ganadería. (2022). Boletín situacional cultivo de papa.
https://sipa.agricultura.gob.ec/index.php/papa/boletines-situacionales-papa-ecuador
Mohanty, S. P., Hughes, D. P., & Salathé, M. (2016). Using deep learning for image-based plant disease
detection. Frontiers in Plant Science, 7, 1419. https://doi.org/10.3389/fpls.2016.01419
Paucar Buñay, D. J. (2016). Factores que influyen en el nivel de conocimientos ancestrales en el manejo del cultivo de
papa (Solanum tuberosum) en dos sectores de la provincia de Tungurahua [Tesis de grado, Universidad
Técnica de Ambato]. Repositorio Universidad Técnica de Ambato.
https://repositorio.uta.edu.ec:8443/jspui/handle/123456789/24431
Pavel, M. I., Rumi, R. I., Fairooz, F., Jahan, S., & Hossain, M. A. (2021). Deep Residual Learning Approach for
Plant Disease Recognition. International Conference on Mobile Computing and Sustainable Informatics, 511-
521. https://doi.org/10.1007/978-3-030-49795-8_49
Pérez, W., & Forbes, G. (2016). Guía de identificación de plagas que afectan a la papa en la zona andina- Lima
(Perú). Centro Internacional de la Papa (CIP). https://doi.org/10.4160/9789290604020
Pintelas, E., Liaskos, M., Livieris, I. E., Kotsiantis, S., & Pintelas, P. (2020). Explainable machine learning
framework for image classification problems: Case study on glioma cancer prediction. Journal of
Imaging, 6(6), 37. https://doi.org/10.3390/JIMAGING6060037
Sakkarvarthi, G., Sathianesan, G. W., Murugan, V. S., Reddy, A. J., Jayagopal, P., & Elsisi, M. (2022). Detection
and Classification of Tomato Crop Disease Using Convolutional Neural Network. Electronics, 11(21),
3618. https://doi.org/10.3390/electronics11213618
Sen, P. C., Hajra, M., & Ghosh, M. (2020). Supervised Classification Algorithms in Machine Learning: A Survey
and Review. Advances in Intelligent Systems and Computing, 937, 99-111. https://doi.org/10.1007/978-981-
13-7403-6_11
Shaheed, K., Qureshi, I., Abbas, F., Jabbar, S., Abbas, Q., Ahmad, H., & Sajid, M. Z. (2023). EfficientRMT-Net—
An Efficient ResNet-50 and Vision Transformers Approach for Classifying Potato Plant Leaf Diseases.
Sensors, 23(23), 9516. https://doi.org/10.3390/S23239516
Shirahatti, J., Patil, R., & Akulwar, P. (2018). A Survey Paper on Plant Disease Identification Using Machine
Learning Approach. Proceedings of the 3rd International Conference on Communication and Electronics
Systems, ICCES, 1171-1174. https://doi.org/10.1109/CESYS.2018.8723881
Sun, C., Shrivastava, A., Singh, S., & Gupta, A. (2017). Revisiting Unreasonable Effectiveness of Data in Deep
Learning Era. Computer Vision and Pattern Recognition. https://doi.org/10.48550/arXiv.1707.02968
Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Lukasz, K., & Polosukhin, I. (2017).
Attention Is All You Need. Computation and Language. https://doi.org/10.48550/arXiv.1706.03762
