CLASIFICADOR DE RED NEURONAL CONVOLUCIONAL PARA IDENTIFICAR ENFERMEDADES DEL FRUTO DE AGUACATE (Persea americana Mill.) A PARTIR DE IMÁGENES DIGITALES

México es el productor principal de aguacate (Persea americana Mill.) en el mundo; sin embargo, este fruto en postcosecha es susceptible a hongos fitopatógenos que reducen su calidad. Por ello, la identificación oportuna de estos organismos con base en herramientas no invasivas, como los análisis por medio de inteligencia artificial resulta de interés para reducir pérdidas económicas. El objetivo de este estudio fue implementar un modelo de aprendizaje automático con una base de datos de imágenes digitales de frutos colectados en campo, a través de crear un clasificador de red neuronal convolucional (CNN), entrenarlo y validarlo para identificar frutos sanos de aguacate cv. Fuerte y frutos infectados con roña (Sphaceloma perseae Jenkins) o antracnosis (Colletotrichum spp.) de la zona productora en el Estado de Morelos, México. Frutos de aguacate sanos se recolectaron en campo, y también frutos con roña y antracnosis de huertos diferentes para generar un conjunto de 569 imágenes digitales. Las transformaciones de éstas aumentaron el conjunto de datos a 3983 imágenes. El modelo CNN se entrenó con una partición aleatoria de 80% de las imágenes y se validó para predicción con el 20% restante. La CNN alcanzó una precisión global de clasificación correcta de 80% con el conjunto de validación. Además, el clasificador se evaluó con un conjunto de prueba de 100 imágenes no incluidas en el conjunto original y obtuvo una precisión global de clasificación correcta de 87%. El clasificador de aprendizaje profundo por CNN implementado en este estudio representa el uso factible de la inteligencia artificial para su aplicación en la identificación de enfermedades en aguacate a partir de imágenes digitales en la etapa de postcosecha.