Optimización Factorial de Redes Neuronales Convolucionales para la Detección de Pulgones (Aphidinae) en Cultivos de RosaL

Resumen

La implementación de redes neuronales convolucionales en la agricultura de precisión enfrenta el desafío de la configuración empírica de sus hiperparámetros, lo que deriva en un uso ineficiente de recursos computacionales y en tiempos de entrenamiento prolongados. Para abordar esta limitación, el presente estudio propone una metodología basada en un diseño experimental factorial de tres factores para optimizar el rendimiento de las arquitecturas VGG16 y EfficientNetB0 en la clasificación de pulgones (Aphidinae) en cultivos de rosal. Para ello, se empleó un conjunto de datos conformado por 1438 imágenes, particionado en 1222 instancias para la fase de entrenamiento y 216 para el conjunto de prueba. El entrenamiento de las arquitecturas se ejecutó mediante niveles fijos de épocas, prescindiendo deliberadamente de mecanismos de detención temprana con el propósito de cuantificar de manera aislada el impacto de la convergencia dentro del diseño factorial. Se evaluaron el tamaño de lote, el número de épocas y la función de activación, analizando tanto sus efectos principales como sus interacciones sobre la exactitud del modelo. Los resultados del análisis de varianza mostraron que la función de activación es el factor con mayor influencia estadística en ambas arquitecturas. Como hallazgo principal, EfficientNetB0 superó a VGG16, alcanzando una Accuracy del 94.42% bajo la configuración óptima de lote de 32, 30 épocas y activación softmax. Este enfoque demuestra que la aplicación de diseños factoriales elimina la incertidumbre del ajuste por prueba y error, lo que favorece modelos más robustos, reproducibles y escalables para el monitoreo de plagas. En esta investigación se han evaluado dos arquitecturas convolucionales representativas; no obstante, esta metodología es extensible a otras topologías con parámetros análogos y a diversas aplicaciones.