Sotomayor Alzamora, Guina GuadalupeGomez Alanoca, Joel Santos2025-10-172025-10-172025-07-10https://repositorio.unap.edu.pe/handle/20.500.14082/25192La producción de habas es una de las principales actividades agrícolas en Puno, una región altoandina del Perú. Esta región se ve afectada por algunas enfermedades foliares, como la Roya y Mancha Chocolate, que generan pérdidas en la producción e impactan la economía de los pequeños agricultores. La dificultad para identificar estas patologías de manera oportuna, sumada a las limitaciones de los métodos tradicionales, inspiró el desarrollo de una alternativa tecnológica accesible y asertiva utilizando técnicas de Procesamiento de Imágenes y Redes Neuronales Convolucionales. De esta manera, se construyó un Dataset representativo de 2486 imágenes de hojas de habas recolectadas en diversas localidades. Estas imágenes se sometieron a procesos de normalización, segmentación y aumento de datos para mejorar la calidad del conjunto de datos para el entrenamiento. Los modelos de Redes Neuronales Convolucionales entrenados son DenseNet121, MobileNetV2, ResNet50 y un modelo propuesto. Los resultados mostraron que DenseNet121 alcanzó la mayor exactitud, con 96.29%, y la mayor precisión, con 96.54%. El modelo propuesto alcanzó 95.49% de exactitud y 95.66% de precisión, lo que indica una alta confiabilidad en la detección temprana de las enfermedades foliares seleccionadas. En conclusión, los modelos DenseNet121 y el modelo propuesto son herramientas útiles para especialistas y agricultores, y facilitan la detección temprana y precisa de enfermedades foliares en hojas de habas.application/pdfspainfo:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by/4.0/deed.esClasificación automáticaDetección de enfermedadesEvaluación del modeloHabaMancha chocolateProcesamiento de ImágenesRedes NeuronalesRoyainfo:eu-repo/semantics/bachelorThesishttps://purl.org/pe-repo/ocde/ford#2.02.04