Implementación de tecnologías de inteligencia artificial para optimizar la identificación de especies vegetales

Abstract

La pérdida acelerada de diversidad vegetal y las limitaciones de métodos tradicionales de identificación taxonómica demandan soluciones eficientes. Este estudio implemento un modelo de aprendizaje profundo basado en redes neuronales convolucionales con YOLOv8n, para optimizar la identificación automática de especies vegetales en la Unidad Agroambiental La Esperanza, Fusagasugá, Colombia. Se caracterizaron 34 especies en tres lotes mediante muestreo estratificado con transectos de 50m * 2m. Del total identificado, nueve especies cumplieron criterios de representatividad morfológica y frecuencia, conformando un dataset de 1607 imágenes digitales de estructuras vegetativas (Hojas, Flores y Frutos) capturadas bajo condiciones controladas. El modelo fue entrenado durante 100 épocas utilizando una arquitectura YOLOv8n optimizada, con división de datos de 70% entrenamiento, 15% validación y 15% prueba. El modelo alcanzó métricas de desempeño sobresalientes, con una precisión (P) promedio de 0.92–1.00, recuperación (R) entre 0.88 y 0.93, F1-score de 0.93 y mAP@50 de 0.974, evidenciando una alta capacidad de detección y clasificación automática. Las especies con mayor número de imágenes (Elingamita johnsonii y Commelina erecta) mostraron el mejor rendimiento, mientras que aquellas con menor representatividad presentaron leves descensos en recall sin afectar la estabilidad global del modelo. Los resultados demuestran la viabilidad de aplicar redes neuronales convolucionales para la identificación morfológica de flora local, construyendo un avance en la digitalización del conocimiento botánico y una herramienta potencial para la docencia, la investigación y el monitoreo ecológico en entornos agroambientales universitarios.