==1 Title, abstract and keywords<!-- 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. -->==

==3 Bibliography<!--  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.  -->==

==5 References<!--•  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.   -->==