Deep Learning Approach for Oil Palm Leaf Disease Classification Using VGG16 Enhanced with Adam Optimization

Resumen

La detección temprana de enfermedades en las hojas de palma aceitera es esencial para minimizar las pérdidas económicas y garantizar la gestión sostenible de las plantaciones. Este estudio propone un enfoque de aprendizaje profundo que utiliza la arquitectura VGG16 optimizada con el algoritmo Adam para clasificar las hojas de palma aceitera en tres categorías: sanas, infectadas e infección inicial. El conjunto de datos se obtuvo de Roboflow y se preprocesó mediante recorte, anotación y estandarización antes de dividirse en conjuntos de entrenamiento, validación y prueba. Se realizaron evaluaciones experimentales en múltiples épocas de entrenamiento y se compararon con dos modelos de referencia: una Red Neuronal Convolucional (CNN) superficial y YOLOv11-CLS (versión S). Los resultados muestran que VGG16 combinado con Adam logró la mayor precisión del 97% a 25 y 50 épocas, con precisión y recuperación equilibradas en todas las clases. Por el contrario, la CNN de referencia alcanzó una precisión máxima del 88%, mientras que YOLOv11-CLS produjo resultados fluctuantes con una precisión máxima del 82%. Las pruebas de significancia estadística confirmaron que las mejoras de rendimiento de VGG16 + Adam fueron consistentes y fiables, lo que valida su idoneidad para la implementación práctica en la agricultura de precisión. Estos hallazgos resaltan el potencial de combinar arquitecturas profundas con optimización adaptativa para mejorar el diagnóstico de enfermedades en plantaciones de palma aceitera y reducir la dependencia de las inspecciones manuales.