Desarrollo de una herramienta de aprendizaje profundo para agilizar el monitoreo y revisión de trampas de la mosca de la fruta ceratitis capitata en el contexto chileno

Abstract

La mosca de la fruta (Ceratitis capitata) es una de las plagas agrícolas más destructivas del mundo. Su control es vital porque daña directamente la producción frutícola, pudriendo los cultivos y generando enormes pérdidas económicas. Además, su presencia provoca el cierre de mercados internacionales debido a cuarentenas, afectando las exportaciones. Identificar un brote tempranamente permite implementar medidas de erradicación focalizadas y menos tóxicas. En esta memoria se implementaron dos modelos de YOLOv11 para la detección de la mosca de la fruta. A ambos modelos se le agrego un aumento de datos y a uno de ellos, además, se aplica un ponderador de pesos. Se creó un dataset con 5 especies de moscas similares para que el modelo pueda diferenciar entre ellas y ayudar al usuario. El mejor modelo obtuvo un mAP@50-95 de 70,1 % mientras que el otro obtuvo un 68.6 %. Finalmente, se usó el modelo con mejor desempeño en una aplicación web para detectar ejemplares de mosca de la fruta y distinguir entre otras especies similares. Esta aplicación permite la carga de imágenes, la gestión de listas de trampas y la visualización del historial de análisis en tiempo real para optimizar la toma de decisiones en el control fitosanitario. The fruit fly (Ceratitis capitata) is one of the world’s most destructive agricultural pests. Controlling it is vital because it directly damages fruit production, causing crop rot and massive economic losses. Furthermore, its presence leads to the closure of international markets due to quarantine measures, thereby impacting exports. Early detection of an outbreak enables the implementation of targeted, less toxic eradication measures. In this study, two YOLOv11 models were implemented for fruit fly detection. Data augmentation was applied to both models, while a weight-balancing mechanism was additionally applied to one of them. A dataset comprising five similar fly species was created to enable the model to distinguish between them and assist the user. The best-performing model achieved an mAP@50-95 of 70.1%, while the other achieved 68.6%. Finally, the top-performing model was integrated into a web application designed to detect fruit fly specimens and distinguish them from similar species. This application supports image uploading, trap list management, and real-time visualization of analysis history, thereby optimizing decision-making in phytosanitary control.