Análisis comparativo de modelos de aprendizaje automático en la identificación de las fases en la Embriogénesis Somática del Arándano (Vaccinium Corymbosum)

Abstract

La presente monografía realiza un análisis comparativo de algunos modelos de aprendizaje automático aplicados a la identificación y clasificación de las fases de embriogénesis somática en el cultivo de arándano (Vaccinium Corymbosum). Mediante una revisión sistemática siguiendo la metodología PRISMA, se identificaron y analizaron investigaciones recientes sobre aplicaciones de inteligencia artificial en la caracterización morfológica de estructuras vegetales, con énfasis en los procesos embriogénicos. Los resultados evidencian que las Redes Neuronales Convolucionales (CNN) y las Máquinas de Soporte Vectorial (SVM) son los modelos más frecuentemente implementados en este campo, destacando particularmente la combinación CNN-SVM con una precisión de 99.91% en la detección de enfermedades en plantas. Para la embriogénesis somática específicamente, el modelo de Regresión de Soporte Vectorial (SVR) alcanzó la mayor precisión (96.6%), demostrando su eficacia para la caracterización morfológica de estructuras embriogénicas. La precisión media general de los modelos analizados para embriogénesis somática fue de 92.23%, evidenciando el alto potencial del aprendizaje automático como herramienta para optimizar los procesos de propagación clonal del arándano, reducir la subjetividad en la identificación de fases embriogénicas, minimizar la manipulación del material vegetal y disminuir los riesgos de contaminación. Esta investigación proporciona una base metodológica para futuras implementaciones de sistemas automatizados de caracterización morfológica que pueden contribuir significativamente a la eficiencia y rentabilidad del cultivo comercial del arándano en Colombia.