Aplicación de técnicas de inteligencia artificial explicable en modelos de Deep Learning para la detección de malezas en cultivos de papa

Abstract

El presente trabajo de integración curricular aborda la opacidad de los modelos de Deep Learning aplicados a la agricultura de precisión, específicamente en la detección de malezas en cultivos de papa (Solanum tuberosum L.). A pesar del alto rendimiento de las Redes Neuronales Convolucionales, su naturaleza de çaja negra”limita la confianza y adopción por parte de exper tos agrónomos. Bajo la metodología CRISP-DM adaptada, se aplicaron técnicas de Inteligencia Artificial Explicable (XAI) como SHAP, LIME, Grad-CAM y Score-CAM sobre una arquitec tura Attentive DeepLabv3+ con backbone EfficientNetV2-S. La investigación implementó una estrategia de optimización basada en el Salto de Resolución (256x256 píxeles) y el Promediado Estocástico de Pesos (SWA). Los resultados cuantitativos evidenciaron una mejora significati va, elevando el mIoU global del 81.08 % al 86.19 %, con un incremento crítico del 16.83 % en la detección de especies minoritarias. Mediante la auditoría de XAI, se validó que el modelo optimizado basa sus predicciones en características morfológicas biológicas coherentes, alcan zando una robustez superior a 0.96 y eliminando activaciones espurias del suelo. Se concluye que el ciclo XAI no solo aporta transparencia, sino que actúa como un motor de ingeniería para el refinamiento de modelos, facilitando el despliegue de tecnologías de rociado selectivo más sostenibles y confiables.