AgroScan: A Mobile Application for Diagnosing Cassava Diseases through Image Recognition and Artificial Intelligence in Sucre, Colombia

==1 TITULO:  AgroScan: Aplicación  para el Diagnóstico de Enfermedades en el Cultivo de Yuca mediante Fotografías y Reconocimiento de Imágenes con Inteligencia Artificial. RESUMEN  AgroScan es una aplicación móvil diseñada para apoyar a agricultores y estudiantes del departamento de Sucre en la detección temprana de enfermedades en cultivos de yuca mediante el uso de inteligencia artificial (IA). A través de la captura de fotografías con teléfonos móviles, el sistema analiza las hojas de yuca para identificar síntomas de enfermedad. Este proyecto propone una solución tecnológica accesible y educativa que fortalece el sector agrícola, mejora el rendimiento de cultivos y promueve el aprendizaje de tecnologías emergentes en contextos rurales. Palabras claves:  Cassava,  Plant Disease Detection, Artificial Intelligence (AI), Image Recognition,  Mobile Application,  Precision Agriculture,  Rural Technology,  Early Diagnosis,  Agricultural Innovation,  Sucre, Colombia.<!-- TITULO:  AgroScan: Aplicación  para el Diagnóstico de Enfermedades en el Cultivo de Yuca mediante Fotografías y Reconocimiento de Imágenes con Inteligencia Artificial. RESUMEN  AgroScan es una aplicación móvil diseñada para apoyar a agricultores y estudiantes del departamento de Sucre en la detección temprana de enfermedades en cultivos de yuca mediante el uso de inteligencia artificial (IA). A través de la captura de fotografías con teléfonos móviles, el sistema analiza las hojas de yuca para identificar síntomas de enfermedad. Este proyecto propone una solución tecnológica accesible y educativa que fortalece el sector agrícola, mejora el rendimiento de cultivos y promueve el aprendizaje de tecnologías emergentes en contextos rurales. Palabras claves:  Cassava,  Plant Disease Detection, Artificial Intelligence (AI), Image Recognition,  Mobile Application,  Precision Agriculture,  Rural Technology,  Early Diagnosis,  Agricultural Innovation,  Sucre, Colombia.  -->==

==JUSTIFICACIÓN  El cultivo de la yuca es fundamental en la economía agrícola del departamento de Sucre. Sin embargo, las limitaciones en el diagnóstico temprano de enfermedades comprometen la calidad y cantidad de la producción. AgroScan responde a esta necesidad integrando IA y dispositivos móviles para fortalecer la toma de decisiones agrícolas. •	Desarrollo económico: Al reducir las pérdidas causadas por enfermedades, AgroScan favorece una mayor productividad y eficiencia en el manejo de los cultivos. •	Educación tecnológica: Este proyecto forma a estudiantes en áreas como IA, programación y agricultura digital, fomentando vocaciones tecnológicas con impacto social. •	Inclusión rural: Involucra directamente a agricultores locales, promoviendo el uso de herramientas digitales sencillas que mejoran su práctica agrícola. •	Sostenibilidad agrícola: Al facilitar un diagnóstico oportuno, se reduce el uso innecesario de agroquímicos, lo cual favorece un manejo más sostenible de los cultivos. •	PLANTEAMIENTO DEL PROBLEMA  En las zonas rurales del departamento de Sucre, los agricultores de yuca enfrentan dificultades para identificar a tiempo enfermedades en las plantas debido a la falta de herramientas tecnológicas. Esto provoca pérdidas económicas y afecta la seguridad alimentaria. Pregunta de investigación: ¿Cómo puede una aplicación basada en inteligencia artificial, que utilice fotografías tomadas con celulares, ayudar a diagnosticar enfermedades en hojas de yuca en el departamento de Sucre? Objetivo General: Desarrollar una aplicación móvil llamada AgroScan que utilice imágenes de hojas y modelos de inteligencia artificial para diagnosticar enfermedades en la yuca, facilitando su uso por agricultores y estudiantes en el departamento de Sucre. Objetivos Específicos (como actividades concretas): 1.	Recolectar un conjunto de imágenes de hojas de yuca (sanas y enfermas) en cultivos reales del departamento de Sucre para entrenar un modelo de IA. 2.	Desarrollar un modelo de inteligencia artificial basado en aprendizaje profundo que clasifique las hojas de yuca como sanas o enfermas. 3.	Diseñar e implementar una aplicación móvil sencilla e intuitiva que permita a agricultores y estudiantes tomar fotos y recibir un diagnóstico automático de la salud de la planta.t<!-- 2.	JUSTIFICACIÓN  El cultivo de la yuca es fundamental en la economía agrícola del departamento de Sucre. Sin embargo, las limitaciones en el diagnóstico temprano de enfermedades comprometen la calidad y cantidad de la producción. AgroScan responde a esta necesidad integrando IA y dispositivos móviles para fortalecer la toma de decisiones agrícolas. •	Desarrollo económico: Al reducir las pérdidas causadas por enfermedades, AgroScan favorece una mayor productividad y eficiencia en el manejo de los cultivos. •	Educación tecnológica: Este proyecto forma a estudiantes en áreas como IA, programación y agricultura digital, fomentando vocaciones tecnológicas con impacto social. •	Inclusión rural: Involucra directamente a agricultores locales, promoviendo el uso de herramientas digitales sencillas que mejoran su práctica agrícola. •	Sostenibilidad agrícola: Al facilitar un diagnóstico oportuno, se reduce el uso innecesario de agroquímicos, lo cual favorece un manejo más sostenible de los cultivos. •	PLANTEAMIENTO DEL PROBLEMA  En las zonas rurales del departamento de Sucre, los agricultores de yuca enfrentan dificultades para identificar a tiempo enfermedades en las plantas debido a la falta de herramientas tecnológicas. Esto provoca pérdidas económicas y afecta la seguridad alimentaria. Pregunta de investigación: ¿Cómo puede una aplicación basada en inteligencia artificial, que utilice fotografías tomadas con celulares, ayudar a diagnosticar enfermedades en hojas de yuca en el departamento de Sucre? Objetivo General: Desarrollar una aplicación móvil llamada AgroScan que utilice imágenes de hojas y modelos de inteligencia artificial para diagnosticar enfermedades en la yuca, facilitando su uso por agricultores y estudiantes en el departamento de Sucre. Objetivos Específicos (como actividades concretas): 1.	Recolectar un conjunto de imágenes de hojas de yuca (sanas y enfermas) en cultivos reales del departamento de Sucre para entrenar un modelo de IA. 2.	Desarrollar un modelo de inteligencia artificial basado en aprendizaje profundo que clasifique las hojas de yuca como sanas o enfermas. 3.	Diseñar e implementar una aplicación móvil sencilla e intuitiva que permita a agricultores y estudiantes tomar fotos y recibir un diagnóstico automático de la salud de la planta.  -->==

==3 6.  REFERENTE TEÓRICO:  La implementación de AgroScan se fundamenta en una base teórica que combina conocimientos de inteligencia artificial (IA), visión por computador, fitopatología, y el uso de aplicaciones móviles en contextos agrícolas. Este proyecto propone una solución accesible que integra tecnologías emergentes con necesidades concretas del agro colombiano, particularmente el cultivo de yuca en el departamento de Sucre. Fundamentos Clave: •	Visión por computadora y redes neuronales: permiten que un modelo de IA analice imágenes de hojas de yuca para identificar patrones asociados a enfermedades. •	Agricultura digital: el uso de aplicaciones móviles y sensores está transformando el diagnóstico fitosanitario. •	Importancia de la yuca en Colombia: cultivo esencial en la seguridad alimentaria y economía rural, especialmente en regiones como Sucre. Referencias Bibliográficas: 1.	Ferentinos, K. P. (2018). Deep learning models for plant disease detection and diagnosis. Computers and Electronics in Agriculture, 145, 311–318. https://doi.org/10.1016/j.compag.2018.01.009 2.	Mohanty, S. P., Hughes, D. P., & Salathé, M. (2016). Using deep learning for image-based plant disease detection. Frontiers in Plant Science, 7, 1419. https://doi.org/10.3389/fpls.2016.01419 3.	Barbedo, J. G. A. (2019). Plant disease identification from individual lesions and spots using deep learning. Biosystems Engineering, 180, 96–107. https://doi.org/10.1016/j.biosystemseng.2019.02.002 4.	Ramcharan, A., Baranowski, K., McCloskey, P., Ahmed, B., Legg, J., & Hughes, D. P. (2019). A mobile-based deep learning model for cassava disease diagnosis. Frontiers in Plant Science, 10, 272. https://doi.org/10.3389/fpls.2019.00272 5.	INTA Colombia (2020). Manual de enfermedades comunes en el cultivo de yuca. Instituto Nacional de Tecnología Agropecuaria. 6.	FAO (2021). Plant health and food security: The role of plant pests and diseases. Organización de las Naciones Unidas para la Alimentación y la Agricultura. https://www.fao.org 7.	Amara, J., Bouaziz, B., & Algergawy, A. (2017). A deep learning-based approach for banana leaf diseases classification. Lecture Notes in Informatics (LNI), Gesellschaft für Informatik. 8.	Sladojevic, S., Arsenovic, M., Anderla, A., Culibrk, D., & Stefanovic, D. (2016). Deep Neural Networks Based Recognition of Plant Diseases by Leaf Image Classification. Computational Intelligence and Neuroscience, 2016. https://doi.org/10.1155/2016/3289801 9.	Google AI Blog (2019). Applying AI to help farmers identify plant diseases. https://ai.googleblog.com/2019/03/applying-ai-to-help-farmers-identify.html 10.	Tripathi, L., Mwaka, H., Tripathi, J. N., & Tushemereirwe, W. K. (2017). Strategies for resistance to cassava mosaic disease and cassava brown streak disease. Virus Research, 186, 54–60. https://doi.org/10.1016/j.virusres.2013.05.003   7. METODOLOGÍA:    Tipo de Investigación: Investigación aplicada con enfoque participativo. Los estudiantes colaboran con agricultores locales para identificar necesidades reales y desarrollar soluciones tecnológicas. Procedimiento Metodológico: 1.	Investigación de campo: Se identifican enfermedades comunes de la yuca mediante visitas a cultivos y consulta con expertos del sector agrícola. 2.	Captura de imágenes: Se toman fotos de hojas de yuca en diferentes estados de salud para construir una base de datos robusta. 3.	Entrenamiento del modelo IA: Se utiliza aprendizaje profundo (CNN - redes neuronales convolucionales) para entrenar el modelo de diagnóstico. 4.	Diseño y programación de la app: Se implementa una interfaz móvil amigable que integre el modelo IA y permita capturar y analizar imágenes. 5.	Validación con usuarios: Agricultores y estudiantes prueban la aplicación, brindan retroalimentación y sugieren mejoras. 6.	Ajustes finales y presentación: Se mejora la aplicación y se presenta en espacios educativos y comunitarios. <!--  6.  REFERENTE TEÓRICO:  La implementación de AgroScan se fundamenta en una base teórica que combina conocimientos de inteligencia artificial (IA), visión por computador, fitopatología, y el uso de aplicaciones móviles en contextos agrícolas. Este proyecto propone una solución accesible que integra tecnologías emergentes con necesidades concretas del agro colombiano, particularmente el cultivo de yuca en el departamento de Sucre. Fundamentos Clave: •	Visión por computadora y redes neuronales: permiten que un modelo de IA analice imágenes de hojas de yuca para identificar patrones asociados a enfermedades. •	Agricultura digital: el uso de aplicaciones móviles y sensores está transformando el diagnóstico fitosanitario. •	Importancia de la yuca en Colombia: cultivo esencial en la seguridad alimentaria y economía rural, especialmente en regiones como Sucre. Referencias Bibliográficas: 1.	Ferentinos, K. P. (2018). Deep learning models for plant disease detection and diagnosis. Computers and Electronics in Agriculture, 145, 311–318. https://doi.org/10.1016/j.compag.2018.01.009 2.	Mohanty, S. P., Hughes, D. P., & Salathé, M. (2016). Using deep learning for image-based plant disease detection. Frontiers in Plant Science, 7, 1419. https://doi.org/10.3389/fpls.2016.01419 3.	Barbedo, J. G. A. (2019). Plant disease identification from individual lesions and spots using deep learning. Biosystems Engineering, 180, 96–107. https://doi.org/10.1016/j.biosystemseng.2019.02.002 4.	Ramcharan, A., Baranowski, K., McCloskey, P., Ahmed, B., Legg, J., & Hughes, D. P. (2019). A mobile-based deep learning model for cassava disease diagnosis. Frontiers in Plant Science, 10, 272. https://doi.org/10.3389/fpls.2019.00272 5.	INTA Colombia (2020). Manual de enfermedades comunes en el cultivo de yuca. Instituto Nacional de Tecnología Agropecuaria. 6.	FAO (2021). Plant health and food security: The role of plant pests and diseases. Organización de las Naciones Unidas para la Alimentación y la Agricultura. https://www.fao.org 7.	Amara, J., Bouaziz, B., & Algergawy, A. (2017). A deep learning-based approach for banana leaf diseases classification. Lecture Notes in Informatics (LNI), Gesellschaft für Informatik. 8.	Sladojevic, S., Arsenovic, M., Anderla, A., Culibrk, D., & Stefanovic, D. (2016). Deep Neural Networks Based Recognition of Plant Diseases by Leaf Image Classification. Computational Intelligence and Neuroscience, 2016. https://doi.org/10.1155/2016/3289801 9.	Google AI Blog (2019). Applying AI to help farmers identify plant diseases. https://ai.googleblog.com/2019/03/applying-ai-to-help-farmers-identify.html 10.	Tripathi, L., Mwaka, H., Tripathi, J. N., & Tushemereirwe, W. K. (2017). Strategies for resistance to cassava mosaic disease and cassava brown streak disease. Virus Research, 186, 54–60. https://doi.org/10.1016/j.virusres.2013.05.003   7. METODOLOGÍA:    Tipo de Investigación: Investigación aplicada con enfoque participativo. Los estudiantes colaboran con agricultores locales para identificar necesidades reales y desarrollar soluciones tecnológicas. Procedimiento Metodológico: 1.	Investigación de campo: Se identifican enfermedades comunes de la yuca mediante visitas a cultivos y consulta con expertos del sector agrícola. 2.	Captura de imágenes: Se toman fotos de hojas de yuca en diferentes estados de salud para construir una base de datos robusta. 3.	Entrenamiento del modelo IA: Se utiliza aprendizaje profundo (CNN - redes neuronales convolucionales) para entrenar el modelo de diagnóstico. 4.	Diseño y programación de la app: Se implementa una interfaz móvil amigable que integre el modelo IA y permita capturar y analizar imágenes. 5.	Validación con usuarios: Agricultores y estudiantes prueban la aplicación, brindan retroalimentación y sugieren mejoras. 6.	Ajustes finales y presentación: Se mejora la aplicación y se presenta en espacios educativos y comunitarios.   -->==

==4 Acknowledgments<!-- Acknowledgments should be inserted at the end of the document, before the references section. -->==




==5 REFERENTES:   Ferentinos, K. P. (2018). Deep learning models for plant disease detection. Computers and Electronics in Agriculture. •  Mohanty, S. P., Hughes, D. P., & Salathé, M. (2016). Using deep learning for image-based plant disease detection. Frontiers in Plant Science. •  INTA. (2020). Manual de enfermedades comunes en el cultivo de yuca. Instituto Nacional de Tecnología Agropecuaria. •  FAO. (2020). Impact of pests and diseases on food security. Organización de las Naciones Unidas para la Alimentación y la Agricultura. •  Google AI Blog. (2019). Aplicando IA para el diagnóstico de enfermedades en cultivos. Google Research Blog. <!--•  Ferentinos, K. P. (2018). Deep learning models for plant disease detection. Computers and Electronics in Agriculture. •  Mohanty, S. P., Hughes, D. P., & Salathé, M. (2016). Using deep learning for image-based plant disease detection. Frontiers in Plant Science. •  INTA. (2020). Manual de enfermedades comunes en el cultivo de yuca. Instituto Nacional de Tecnología Agropecuaria. •  FAO. (2020). Impact of pests and diseases on food security. Organización de las Naciones Unidas para la Alimentación y la Agricultura. •  Google AI Blog. (2019). Aplicando IA para el diagnóstico de enfermedades en cultivos. Google Research Blog.   -->==