REDES CONVOLUCIONALES Y TRANSFORMERS PARA CLASIFICAR LA PUDRICIÓN NEGRA DEL CACAO: AUDITORÍA DE IDENTIDAD DE IMÁGENES Y SENSIBILIDAD AL CONTEXTO DE CAPTURA

La pudrición negra de la mazorca (BPR), causada por oomicetos del género Phytophthora, es una de las enfermedades más destructivas del cacao. En este trabajo se compararon cinco arquitecturas preentrenadas en ImageNet (Swin-T, ConvNeXt-T, DeiT-Ti, EfficientNetV2-S y ResNet50) para clasificar mazorcas sanas y con BPR en 2211 imágenes de un repositorio público. Antes del entrenamiento, se auditó la identidad de las imágenes mediante huellas perceptuales, descriptores DINOv2, correspondencias SIFT y revisión visual; las tomas de una misma mazorca o escena, presentes en el 79 % de las imágenes, se agruparon en 664 grupos. Los modelos se entrenaron con un protocolo común y se evaluaron mediante validación cruzada estratificada por grupos (tres repeticiones de cinco pliegues), pruebas de DeLong y McNemar, y la corrección de Holm. El AUC medio varió entre 0.989 y 0.993 y la exactitud entre 0.954 y 0.964. Swin-T tuvo la mayor sensibilidad y DeiT-Ti el menor costo computacional, pero las diferencias en AUC solo fueron significativas en algunas comparaciones y repeticiones. En 1958 imágenes sanas no utilizadas, la especificidad (0.952 a 0.965) fue similar a la de la validación cruzada, excepto en una escena de captura que, en el entrenamiento, solo aparecía en mazorcas enfermas, donde bajó a valores de 0.52 a 0.85. Las cinco arquitecturas discriminan bien y de forma similar, pero también aprenden asociaciones contextuales, por lo que su uso en campo exige una validación externa con imágenes de ambas clases tomadas en los mismos contextos. Palabras clave: Phytophthora spp.; aprendizaje profundo; transferencia de aprendizaje; redes neuronales convolucionales; validación cruzada por grupos; Oomicetos.