Image-Based Deep Learning Tool for Predicting Tomato Leaf Diseases

Herramienta para la predicción de enfermedades en cultivos de tomate mediante tecnologías de aprendizaje automático

Abstract Authors Available Metrics References How to Cite

Abstract (en)

Objective: Late blight disease, caused by Phytophthora infestans, represents a critical threat to tomato cultivation, significantly affecting its quality and productivity. This study aimed to develop a technological tool for the early and precise detection of tomato disease in a controlled agricultural environment using machine learning (ML) techniques and digital image processing.. Methodology: A total of 3560 foliar images encompassing three severity levels of Phytophthora infestans were acquired. The Segment Anything Model (SAM) was implemented as a preprocessing step to isolate the biological tissue and eliminate chromatic background noise. Three classifiers were evaluated using a unified Monte Carlo cross-validation framework (10 iterations, 70/30 split): SVM and KNN, based on global chromatic descriptors (HSV/YIQ and PCA), compared with a CNN that extracts local spatial topologies.
Results: Within the evaluated dataset, the convolutional neural network (CNN) and the local distance-based model (KNN) achieved classification metrics exceeding 98%, significantly outperforming the global color-based baseline (SVM, 79%). By evaluating the localized spatial morphology of the necrotic lesions, the CNN architecture effectively mitigated misclassifications in extreme severity phenotype. Consequently, these high classification metrics must be interpreted as an upper performance bound, strictly constrained to the ideal and controlled conditions of the greenhouse setup.
Conclusions: The developed tool demonstrates high potential for automated disease diagnosis in tomatoes, contributing to phytosanitary management through emerging technologies. This study highlights ML’s role as a driver of innovation for more precise, efficient, and sustainable agriculture.

Abstract (es)

Objetivo: El tizón tardío, causado por Phytophthora infestans, representa una amenaza crítica para el cultivo de tomate, afectando su calidad y productividad. Ante esta problemática, el presente estudio tiene como objetivo desarrollar una herramienta tecnológica para la detección temprana y precisa de la enfermedad en hojas de tomate, utilizando técnicas de aprendizaje automático y procesamiento digital de imágenes en un entorno agrícola controlado.
Metodología: Se adquirieron 3560 imágenes foliares en tres niveles de severidad de Phytophthora infestans. El modelo SAM se implementó como preprocesamiento para aislar el tejido biológico y eliminar el ruido cromático del fondo. Mediante una Validación Cruzada de Monte Carlo unificada (10 iteraciones, 70/30), se evaluaron tres clasificadores: SVM y KNN, basados en descriptores cromáticos globales (HSV/YIQ y PCA), frente a una CNN que extrae topologías espaciales locales.
Resultados: los resultados demuestran que la red neuronal (CNN) y el modelo local (KNN) acertaron en más del 98% de las clasificaciones, superando ampliamente al modelo de color (SVM, con 79%). La CNN logró eliminar las confusiones al identificar hojas gravemente enfermas porque evalúa la forma de las manchas. Estos altos aciertos representan un rendimiento máximo esperable, válido estrictamente bajo las condiciones ideales y controladas del invernadero.
Conclusiones: La herramienta desarrollada demuestra un alto potencial para el diagnóstico automatizado de enfermedades en tomate, aportando al manejo fitosanitario con base en tecnologías emergentes. Se destaca el papel del aprendizaje automático como motor de innovación para una agricultura más precisa, eficiente y sostenible.