Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 939
APLICACIONES DE LA INTELIGENCIA ARTIFICIAL EN LA DETECCIÓN TEMPRANA
Y MANEJO DE ENFERMEDADES EN PLANTACIONES DE CACAO: UNA REVISIÓN
SISTEMÁTICA
APPLICATIONS OF ARTIFICIAL INTELLIGENCE IN EARLY DETECTION AND
MANAGEMENT OF DISEASES IN COCOA PLANTATIONS: A SYSTEMATIC REVIEW
Autores: ¹Luis Cristóbal Córdova Martínez, ²Daniel Alexander Vera Paredes y ³Ricauter Moisés
López Bermúdez.
¹ORCID ID:
https://orcid.org/0000-0003-3605-429X
²ORCID ID: https://orcid.org/0009-0001-9033-3399
²ORCID ID: https://orcid.org/0000-0001-7836-0274
¹E-mail de contacto: lcordovam@unemi.edu.ec
²E-mail de contacto: dverap@unemi.edu.ec
³E-mail de contacto: rlopezb@unemi.edu.ec
Afiliación: ¹*²*³*Universidad Estatal de Milagro, (Ecuador).
Articulo recibido: 18 de Noviembre del 2025
Articulo revisado: 20 de Noviembre del 2025
Articulo aprobado: 25 de Noviembre del 2025
¹Magíster en Gerencia de Tecnologías de la Información adquirida en la Universidad Estatal de Milagro, (Ecuador). Magíster en
Administración y Dirección de Empresas adquirida en la Universidad Tecnológica Empresarial de Guayaquil, (Ecuador). Especialista en
Tecnologías de la Información mención en Comercio y Negocio Electrónico adquirida en la Universidad Laica Eloy Alfaro de Manabí,
(Ecuador). Licenciado en Sistemas de Información adquirida en la Escuela Superior Politécnica Litoral, (Ecuador). Tecnólogo en Análisis
de Sistemas Informáticos adquirida en la Escuela Politécnica Nacional, (Ecuador).
²Magíster en Administración y Dirección de Empresas adquirida en la Universidad Tecnológica Empresarial de Guayaquil, (Ecuador).
Máster Universitario en Ingeniería de Software y Sistemas Informáticos adquirida en la Universidad Internacional de la Rioja, (España).
Licenciado en Sistemas de Información adquirida en la Escuela Superior Politécnica del Litoral, (Ecuador). Analista de Sistemas adquirida
en la Escuela Superior Politécnica del Litoral, (Ecuador).
³Magíster en Administración y Dirección de Empresas adquirida en la Universidad Tecnológica Empresarial de Guayaquil, (Ecuador).
Máster Universitario en Ingeniería de Software y Sistemas Informáticos adquirida en la Universidad Internacional de la Rioja, (España).
Licenciado en Sistemas de Información adquirida en la Escuela Superior Politécnica del Litoral, (Ecuador). Analista de Sistemas adquirida
en la Escuela Superior Politécnica del Litoral, (Ecuador).
Resumen
La producción de cacao enfrenta desafíos
significativos relacionados con enfermedades
fúngicas y virales que afectan gravemente el
rendimiento y la calidad de los cultivos,
generando pérdidas económicas sustanciales
para los productores. En este contexto, las
tecnologías de inteligencia artificial (IA) han
emergido como herramientas prometedoras
para la detección temprana y el manejo
eficiente de enfermedades en plantaciones de
cacao. Los hallazgos indican que las técnicas
de visión por computadora basadas en redes
neuronales convolucionales muestran altos
índices de precisión en la identificación
temprana de patógenos como moniliasis,
escoba de bruja y mazorca negra, superando los
métodos tradicionales de inspección visual.
Adicionalmente, los sistemas integrados que
combinan imágenes multiespectrales con
algoritmos de aprendizaje profundo
demuestran capacidad para detectar
infecciones antes de que los síntomas sean
visibles. Sin embargo, se identifican desafíos
relacionados con la variabilidad de condiciones
ambientales, la disponibilidad de conjuntos de
datos representativos y la necesidad de
adaptación a diferentes variedades de cacao. Se
concluye que, si bien la IA ofrece avances
significativos en la detección de enfermedades
del cacao, su implementación efectiva requiere
enfoques interdisciplinarios que integren
conocimientos agronómicos con desarrollos
tecnológicos, así como estrategias de
transferencia tecnológica adaptadas a las
realidades de los productores en diferentes
contextos geográficos.
Palabras clave: Inteligencia artificial,
Detección de enfermedades, Cacao, Visión
por computadora, Aprendizaje profundo.
Abstract
Cocoa production faces significant challenges
related to fungal and viral diseases that severely
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 940
affect crop yield and quality, leading to
substantial economic losses for producers. In
this context, artificial intelligence (AI)
technologies have emerged as promising tools
for the early detection and efficient
management of diseases in cocoa plantations.
Findings indicate that computer vision
techniques based on convolutional neural
networks show high accuracy rates in the early
identification of pathogens such as moniliasis,
witches’ broom, and black pod, outperforming
traditional visual inspection methods.
Additionally, integrated systems that combine
multispectral imaging with deep learning
algorithms demonstrate the ability to detect
infections before symptoms become visible.
However, challenges have been identified
regarding environmental variability, the
availability of representative datasets, and the
need for adaptation to different cocoa varieties.
It is concluded that while AI offers significant
advances in the detection of cocoa diseases, its
effective implementation requires
interdisciplinary approaches that integrate
agronomic knowledge with technological
developments, as well as technology transfer
strategies adapted to the realities of producers
in different geographical contexts.
Keywords: Artificial intelligence, Disease
detection, Cocoa, Computer vision, Deep
learning.
Sumário
A produção de cacau enfrenta desafios
significativos relacionados a doenças fúngicas
e virais que afetam gravemente o rendimento e
a qualidade das lavouras, gerando perdas
econômicas substanciais para os produtores.
Nesse contexto, as tecnologias de inteligência
artificial (IA) surgem como ferramentas
promissoras para a detecção precoce e o
manejo eficiente de doenças em plantações de
cacau. Os resultados indicam que as técnicas de
visão computacional baseadas em redes neurais
convolucionais apresentam altos índices de
precisão na identificação precoce de patógenos
como monilíase, vassoura-de-bruxa e
podridão-negra, superando os métodos
tradicionais de inspeção visual. Além disso,
sistemas integrados que combinam imagens
multiespectrais com algoritmos de aprendizado
profundo demonstram capacidade para detectar
infecções antes que os sintomas sejam visíveis.
No entanto, identificam-se desafios
relacionados à variabilidade das condições
ambientais, à disponibilidade de conjuntos de
dados representativos e à necessidade de
adaptação a diferentes variedades de cacau.
Conclui-se que, embora a IA ofereça avanços
significativos na detecção de doenças do cacau,
sua implementação eficaz requer abordagens
interdisciplinares que integrem conhecimentos
agronômicos com desenvolvimentos
tecnológicos, bem como estratégias de
transferência de tecnologia adaptadas às
realidades dos produtores em diferentes
contextos geográficos.
Palavras-chave: Inteligência artificial,
Detecção de doenças, Cacau, Visão
computacional, Aprendizado profundo.
Introducción
Ecuador en el año 2024 exportó USD 3618
millones de cacao (Theobroma cacao L.)
representando un 174% más en valor en
comparación con el año anterior, en el 2025
entre enero y febrero exportó USD 956
millones, superando al banano y minería en
exportación en más de 60 años según datos del
Banco Central del Ecuador por lo que el cacao
representa un cultivo de importancia
económica, social y ambiental no solo para
Ecuador sino también para más de 60 países de
las regiones tropicales, beneficiando a
aproximadamente 50 millones de personas a
nivel mundial (Jiménez et al., 2023). Sin
embargo, la producción a nivel mundial del
cacao se encuentra gravemente amenazada por
diversas enfermedades fitosanitarias que
afectan todas las etapas del desarrollo y
producción de la planta que pueden reducir los
rendimientos hasta en un 80% (Wani et al.,
2024). Patógenos como Moniliophthora roreri
(moniliasis), Moniliophthora perniciosa
(escoba de bruja) y Phytophthora spp. (mazorca
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 941
negra) representan las principales amenazas
biológicas para este cultivo, generando pérdidas
económicas estimadas en más de USD 700
millones anuales (Adu et al., 2023). Es
imprescindible la detección anticipada de
enfermedades en el cacao y constituye un factor
crítico para el manejo integrado de plagas y
enfermedades, permitiendo intervenciones
oportunas que reducen la propagación de
patógenos y minimizan el uso de agroquímicos
(Fernández-González et al., 2024).
Desgraciadamente, los métodos tradicionales
de monitoreo dependen principalmente de
inspecciones visuales realizadas por técnicos
especializados, lo que implica limitaciones
significativas en términos de cobertura,
subjetividad, tiempo y costo (Castro et al.,
2023).
Debido a los antecedentes mencionados
anteriormente, la inteligencia artificial ha
surgido como un recurso prometedor para
revolucionar la detección temprana y manejo de
enfermedades fitosanitarias en diferentes
cultivos agrícolas, incluyendo el cacao. Las
tecnologías basadas en IA, particularmente
aquellas que utilizan visión por computadora,
aprendizaje automático y procesamiento de
imágenes, muestran un potencial significativo
para automatizar y mejorar los procesos de
identificación de patógenos, facilitando
diagnósticos más precisos, rápidos y escalables
(Rodríguez et al., 2023). A pesar de los avances
significativos en este campo, persisten
importantes vacíos en la literatura,
especialmente en relación con la evaluación
sistemática de las diversas aplicaciones de IA
para la detección de enfermedades específicas
del cacao, así como en la identificación de los
factores que facilitan o limitan su
implementación efectiva en diferentes
contextos productivos (Daudi et al., 2024). Este
trabajo aborda estos desafíos mediante un
análisis exhaustivo de las investigaciones
publicadas, sintetizando la evidencia disponible
sobre el uso de tecnologías de IA en la
identificación y manejo de enfermedades del
cacao.
Uno de los factores limitantes en la producción
de cacao a nivel mundial son las plagas o
enfermedades, con impactos devastadores sobre
los medios de vida de millones de agricultores,
especialmente en países en desarrollo. La
mazorca negra, causada por diversas especies
del género Phytophthora, afecta todas las
regiones productoras de cacao y puede
ocasionar pérdidas de hasta el 30% de la
producción anual (Ndoungué et al., 2023). La
moniliasis, restringida al continente americano,
pero con riesgo de expansión hacia África y
Asia, puede destruir hasta el 80% de la
producción en condiciones favorables para el
patógeno (Villamizar et al., 2024). La escoba de
bruja, predominante en América del Sur y el
Caribe, no solo afecta los frutos sino también el
desarrollo vegetativo de la planta,
comprometiendo la producción a largo plazo
(Bekele et al., 2023). Al hacer detección de
plagas en el cacao por métodos tradicionales se
presentan diversas limitaciones. Los técnicos
especializados realizan inspección visual, pero
conlleva altos costos operativos y está sujeta a
diversas interpretaciones. Además, cuando los
síntomas son visibles, frecuentemente la
infección ya se encuentra en etapas avanzadas,
dificultando el control efectivo y aumentando el
riesgo de propagación a plantas sanas (Machado
et al., 2023). Los análisis de laboratorio, aunque
precisos, implican procesos costosos,
complejos y no ofrecen resultados en tiempo
real que permitan intervenciones oportunas.
La complejidad morfológica del cacao, la
variabilidad en la manifestación de síntomas
entre diferentes variedades, y las condiciones
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 942
ambientales diversas en las regiones
productoras añaden desafíos significativos para
el desarrollo de sistemas automatizados de
detección (Zepeda et al., 2023).
Adicionalmente, la limitada infraestructura
tecnológica y conectividad en muchas zonas
cacaoteras, así como las brechas de
conocimiento digital entre los productores,
representan barreras importantes para la
adopción efectiva de soluciones basadas en IA.
Este escenario justifica la necesidad de analizar
sistemáticamente las investigaciones sobre
aplicaciones de IA en la detección de
enfermedades del cacao, con el fin de identificar
las tecnologías más promisorias, evaluar su
efectividad en diferentes contextos, y
comprender los factores que podrían facilitar su
implementación exitosa como parte de
estrategias integradas de manejo fitosanitario.
Figura 1. Frutos de cacao afectados por
Moniliasis (Wilberth Phillips - CATIE)
Este artículo analizará el estado actual del
conocimiento sobre las aplicaciones de
inteligencia artificial en la detección temprana y
gestión fitosanitaria en plantaciones de cacao, a
través de una revisión sistemática de la
literatura científica disponible.
Específicamente, se busca: (1) identificar las
principales tecnologías de IA aplicadas a la
detección de enfermedades del cacao; (2)
evaluar la efectividad de diferentes algoritmos y
técnicas en la identificación de patógenos
específicos; (3) analizar los factores que
influyen en la precisión y aplicabilidad de estos
sistemas; y (4) identificar las brechas de
conocimiento y oportunidades para futuras
investigaciones en este campo. En los últimos
años para la detección de enfermedades en
plantaciones de cacao se ha aprovechado
principalmente los avances en visión por
computadora, redes neuronales convolucionales
(CNN) y análisis de imágenes multiespectrales.
El análisis de la literatura muestra una
evolución desde sistemas básicos de
clasificación de imágenes hacia arquitecturas
más complejas y especializadas. Según Picazo
(2018) en las redes neuronales convolucionales
se toman como entrada una imagen o un mapa
de características, convolucionan esas entradas
con un conjunto de filtros cuyos pesos se
encuentran previamente entrenados y se
obtienen unos mapas de características que
representan su disposición espacial en las
imágenes. Como segundo elemento, se tienen
capas de pooling que se encargan de reducir las
dimensiones de los datos obtenidos en la capa
de convolución, tratando de ignorar variaciones
pequeñas y distorsiones geométricas. El último
elemento que se utiliza son las capas neuronales
totalmente conectadas que se encargan de
calcular los resultados por cada una de las clases
que se desean reconocer.
Figura 2. Modelo de una Red Neuronal
Convolucional
Pinto et al. (2024) con la propuesta de las redes
residuales, se descubrió que dividir una red
profunda en bloques de capas apiladas y pasar
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 943
la entrada de cada capa apilada directamente al
bloque siguiente, junto con la salida residual de
la capa apilada menos la entrada de la capa
apilada que se reintroduce, este enfoque se
denomina conexión de salto o atajo; ayuda a
reducir el problema de la desaparición. En
pocas palabras, las redes residuales pueden
conectarse a capas no contiguas, lo que permite
que la información original pase sin grandes
modificaciones a otras partes de la red. Por lo
tanto, la red sólo aprende las diferencias
(residuales) entre la entrada y la salida esperada,
lo que permite construir arquitecturas más
extensas y eficientes. Pinto et al. (2024) con la
propuesta de las redes residuales, se descubrió
que dividir una red profunda en bloques de
capas apiladas y pasar la entrada de cada capa
apilada directamente al bloque siguiente, junto
con la salida residual de la capa apilada menos
la entrada de la capa apilada que se reintroduce,
este enfoque se denomina conexión de salto o
atajo; ayuda a reducir el problema de la
desaparición. En pocas palabras, las redes
residuales pueden conectarse a capas no
contiguas, lo que permite que la información
original pase sin grandes modificaciones a otras
partes de la red. Por lo tanto, la red sólo aprende
las diferencias (residuales) entre la entrada y la
salida esperada, lo que permite construir
arquitecturas más extensas y eficientes.
Figura 3. Modelo de una Red Neural Residual
Pengshuai (2025) describe el modelo Faster R-
CNN como un algoritmo de detección
prototípico de dos etapas que inicialmente logró
un entrenamiento integral. El modelo se
compone de dos componentes principales: la
red de propuesta de regiones (RPN), que genera
regiones candidatas mediante la colocación de
cuadros de referencia de diferentes dimensiones
y longitudes en cada posición del mapa de
características, y la red de detección primaria,
que se basa en el modelo Fast R-CNN. Esta red
incorpora la red troncal VGG16, la agrupación
de ROI y la regresión de clasificación. La
primera parte, RPN, genera regiones candidatas
basadas en los mapas de características
extraídos por la red troncal y los envía de vuelta
a la segunda parte para su clasificación y
regresión del cuadro delimitador. Con el fin de
extraer mejor los objetivos de detección con
fondos complejos y características pequeñas y
aliviar problemas como la desaparición del
gradiente, la red troncal se sustituye por el
modelo del algoritmo ResNext50 con fusión
(CBAM).
Figura 4. Modelo de una Red Neural Residual
Ramírez et al. (2023) desarrollaron un sistema
basado en CNN para la detección de moniliasis
en diferentes etapas de desarrollo, utilizando
imágenes RGB capturadas en condiciones de
campo. Su modelo alcanzó una precisión del
92.7% en la identificación de síntomas
tempranos, superando significativamente los
métodos tradicionales de inspección visual. Los
autores destacaron la importancia de contar con
conjuntos de datos equilibrados que representen
adecuadamente la diversidad de síntomas y
condiciones ambientales. De manera similar,
Orozco et al. (2023) implementaron una
arquitectura Faster R-CNN para la detección y
localización de mazorca negra en imágenes de
campo, alcanzando un índice de precisión
media (mAP) de 0.89. Su sistema demostró
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 944
robustez ante variaciones en iluminación y
ángulos de captura, factores críticos para
aplicaciones prácticas en entornos reales de
producción. Complementariamente, Zhao et al.
(2024) evaluaron diferentes arquitecturas de
redes neuronales profundas, encontrando que
ResNet-50 y EfficientNet-B3 mostraban el
mejor equilibrio entre precisión y eficiencia
computacional para la identificación de
múltiples enfermedades en cacao. Un avance
significativo se observa en la integración de
imágenes multiespectrales con algoritmos de
aprendizaje profundo. Molina et al. (2023)
combinaron imágenes RGB con información
infrarroja cercana (NIR) para detectar
infecciones por escoba de bruja antes de la
manifestación visible de síntomas, logrando una
precisión del 87.5% en etapas iniciales de la
enfermedad. Este enfoque muestra potencial
para intervenciones preventivas que podrían
reducir significativamente la propagación de
patógenos.
La implementación de sistemas de detección en
dispositivos móviles representa otra tendencia
importante. Santana et al. (2024) desarrollaron
una aplicación para teléfonos inteligentes que
permite a agricultores identificar enfermedades
del cacao en tiempo real, utilizando modelos
optimizados para funcionar con recursos
computacionales limitados. Su evaluación en
comunidades cacaoteras de Ecuador demostró
una adopción positiva entre agricultores,
aunque con desafíos relacionados con la brecha
digital y necesidades de capacitación. En cuanto
a la integración con otros sistemas de
monitoreo, Domínguez et al. (2024) exploraron
el uso de vehículos aéreos no tripulados
(drones) equipados con cámaras
multiespectrales y algoritmos de IA para la
detección temprana de focos de infección en
plantaciones extensas. Sus resultados indicaron
que este enfoque permite identificar patrones de
distribución espacial de enfermedades y focos
iniciales de infección con una sensibilidad
superior a los métodos convencionales de
monitoreo terrestre.
Materiales y Métodos
Este artículo adoptó un enfoque de revisión
sistemática de literatura siguiendo los
lineamientos del protocolo PRISMA (Preferred
Reporting Items for Systematic Reviews and
Meta-Analyses), que proporciona una
metodología estructurada y replicable para
identificar, seleccionar y evaluar críticamente
estudios relevantes, minimizando sesgos en el
proceso de revisión. Se realizaron búsquedas
exhaustivas en las siguientes bases de datos
electrónicas: Scopus, Web of Science, IEEE
Xplore, ScienceDirect, y Google Scholar. Para
capturar la literatura más reciente en este campo
emergente, se consideraron publicaciones desde
enero de 2019 hasta marzo de 2025. Las
búsquedas se efectuaron utilizando
combinaciones de términos clave en inglés y
español, incluyendo "artificial intelligence",
"machine learning", "deep learning", "computer
vision", "cocoa", "cacao", "Theobroma cacao",
"disease detection", "plant pathology",
"moniliasis", "frosty pod rot", "black pod",
"witches' broom", entre otros.Se emplearon
ecuaciones booleanas avanzadas adaptadas a
cada base de datos para refinar los resultados.
Por ejemplo, para Scopus se utilizó la siguiente
estructura: (TITLE-ABS-KEY("artificial
intelligence" OR "machine learning" OR "deep
learning" OR "computer vision") AND TITLE-
ABS-KEY("cocoa" OR "cacao" OR
"Theobroma cacao") AND TITLE-ABS-
KEY("disease" OR "pathogen" OR "infection"
OR "moniliasis" OR "black pod" OR "witches'
broom")) AND PUBYEAR > 2018. Para
garantizar la relevancia y calidad de los estudios
analizados, se aplicaron los siguientes criterios
de inclusión:
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 945
➢ Estudios originales publicados en revistas
revisadas por pares o conferencias
reconocidas.
➢ Investigaciones que abordaran
explícitamente aplicaciones de inteligencia
artificial para la detección o diagnóstico de
enfermedades específicas del cacao.
➢ Estudios que presentaran evaluaciones
cuantitativas del desempeño de los sistemas
propuestos.
➢ Publicaciones en inglés o español.
Se excluyeron los siguientes tipos de
documentos:
➢ Revisiones de literatura sin análisis
sistemático.
➢ Estudios que mencionaran tecnologías de
IA y enfermedades del cacao pero sin
enfoque específico en aplicaciones de
detección.
➢ Publicaciones que no proporcionaran
detalles metodológicos suficientes.
➢ Documentos no sometidos a revisión por
pares (informes técnicos, tesis no
publicadas, etc.).
El proceso de selección siguió cuatro fases
secuenciales:
➢ Identificación: Búsqueda inicial en bases
de datos que resultó en 487 registros
potencialmente relevantes.
➢ Cribado: Eliminación de duplicados (112)
y revisión de títulos y resúmenes según
criterios de inclusión/exclusión, resultando
en 195 artículos elegibles para evaluación
completa.
➢ Elegibilidad: Revisión a texto completo de
los 195 artículos, de los cuales 83
cumplieron con todos los criterios de
inclusión.
➢ Inclusión: Análisis detallado de los 83
artículos finalmente seleccionados.
Para la extracción sistemática de datos, se
desarrolló un formulario estandarizado que
incluyó información sobre: (1) características
de la publicación (autores, año,
revista/conferencia); (2) tipo de enfermedad(es)
abordada(s); (3) tecnologías de IA
implementadas; (4) metodologías de
adquisición de datos; (5) métricas de
evaluación; (6) resultados principales; (7)
limitaciones reportadas; y (8) contexto de
aplicación. La calidad metodológica de los
estudios incluidos se evaluó utilizando una
adaptación de la herramienta de evaluación
crítica del Instituto Joanna Briggs para estudios
de diagnóstico, considerando aspectos como la
representatividad de las muestras, la validación
de los modelos, el manejo de posibles sesgos y
la completitud del reporte. Se realizó una
síntesis narrativa de la evidencia, organizada
temáticamente según las principales tecnologías
implementadas, enfermedades abordadas,
factores que influyen en la precisión de
detección, y aplicaciones prácticas.
Adicionalmente, se efectuó un análisis de
tendencias temporales para identificar la
evolución de enfoques tecnológicos y
metodológicos en el período estudiado. Para
analizar cuantitativamente el desempeño de
diferentes algoritmos y técnicas, se extrajeron y
normalizaron métricas comunes como
precisión, sensibilidad, especificidad y F1-
score. Cuando fue posible, se calcularon
estadísticas agregadas para comparar el
rendimiento entre diferentes categorías de
técnicas y enfermedades.
Resultados y Discusión
Panorama general de estudios analizados
El análisis de los 83 estudios incluidos en esta
revisión sistemática revela un incremento
sostenido en las publicaciones sobre
aplicaciones de IA para detección de
enfermedades en cacao, con un crecimiento
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 946
particular a partir de 2022. Esta tendencia
refleja tanto el avance de las tecnologías de IA
como el creciente interés por soluciones
tecnológicas para los desafíos fitosanitarios que
enfrenta este cultivo estratégico. En cuanto a la
distribución geográfica, se observa un
predominio de investigaciones desarrolladas en
países productores de cacao (ver tabla 1):
Tabla 1. Publicaciones por región sobre
aplicaciones de IA para detección de
enfermedades en cacao
Indicador
f
Porcentaje
América Latina
36
43,37%
África Occidental
22
26,51%
Asia-Pacífico
15
18,07%
Colaboraciones
10
12,05%
Fuente: elaboración propia
Esta distribución se corresponde parcialmente
con las regiones productoras más afectadas por
enfermedades específicas, aunque revela
brechas significativas en algunas zonas
productoras importantes. Respecto a las
enfermedades abordadas, la Moniliasis recibió
la mayor atención, seguida por la mazorca
negra, escoba de bruja y sistemas para múltiples
enfermedades (Tabla 2):
Tabla 2. Enfermedades abordadas del cacao
Indicador
f
Porcentaje
Moniliasis
27
32,53%
Mazorca negra
23
27,71%
Escoba de bruja
17
20,48%
Múltiples enfermedades
16
19,28%
Fuente: elaboración propia
Esto refleja tanto el impacto económico de estas
enfermedades como las diferencias en su
expresión visual que facilitan o dificultan su
detección mediante sistemas automatizados.
Tecnologías de IA implementadas
El análisis de las tecnologías de IA
implementadas muestra un claro predominio de
las redes neuronales convolucionales, presentes
en el 76% de los estudios analizados (63
publicaciones). Entre las arquitecturas
específicas, se destaca la utilización de ResNet
(27%), seguida por arquitecturas EfficientNet
(19%), VGG (14%), Inception (12%), y
desarrollos propios o customizados (28%).
Refiérase a los símbolos, ecuaciones y teoremas
incluidos en el texto, utilizando el número de
referencia cruzada (Ejemplo: Como se establece
en (1), el valor de...).
Tabla 3. Enfermedades abordadas del cacao
Arquitecturas de IA en CNN
Porcentaje
ResNet
27%
EfficientNet
19%
VGG
14%
Inception
12%
desarrollos propios o
personalizados
28%
Fuente: elaboración propia
Factores determinantes del desempeño
El análisis de factores que influyen en el
desempeño de los sistemas de detección revela
aspectos metodológicos y contextuales críticos.
La Figura 6 sintetiza la relación entre diversas
variables y las métricas de precisión reportadas.
Fig. 5. Gráfico generado con Python, usando la
librería Matplotlib
El tamaño y diversidad del conjunto de datos
emerge como el factor más determinante, con
una correlación positiva significativa (r=0.73,
p<0.001) entre el número de imágenes
utilizadas para entrenamiento y la precisión
alcanzada. Sin embargo, esta relación no es
lineal y tiende a estabilizarse a partir de
aproximadamente 5,000 imágenes, sugiriendo
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 947
un umbral después del cual otros factores
cobran mayor relevancia. La diversidad del
conjunto de datos, evaluada mediante un índice
compuesto que considera variabilidad en
cultivares, condiciones ambientales y etapas de
infección, muestra una correlación aún más
fuerte con la robustez de los modelos (r=0.81,
p<0.001). Estudios con datos homogéneos
presentaron caídas de precisión superiores al
35% cuando se evaluaron en condiciones
diferentes a las de entrenamiento, mientras que
aquellos con alta diversidad mantenían al
menos el 90% de su desempeño original. Las
técnicas de aumento de datos mostraron
impactos variables según su implementación.
Transformaciones geométricas simples
(rotación, traslación, volteo) aportaron mejoras
modestas (3-7% en precisión), mientras que
técnicas más avanzadas como mezcla de
imágenes (mixup), aumento contextual y
transformaciones específicas para condiciones
de iluminación mejoraron la robustez en un 12-
18% en condiciones variables. Particularmente
efectivas resultaron las técnicas de aumento
adaptadas a las características específicas de las
enfermedades del cacao, como las propuestas
por Ibrahim et al. (2024).
La resolución de las imágenes mostró un punto
óptimo en torno a 224×224 píxeles para la
mayoría de los modelos evaluados, con
ganancias marginales por encima de esta
resolución, pero incrementos significativos en
requisitos computacionales. Este hallazgo tiene
implicaciones prácticas importantes para el
desarrollo de aplicaciones móviles y sistemas
embebidos con recursos limitados. La
integración de información contextual, como
datos fenológicos, meteorológicos o históricos
de la plantación, demostró mejorar la precisión
diagnóstica en un 7-14% en sistemas que
incorporaron estos elementos (n=18)
comparados con aquellos basados
exclusivamente en imágenes (n=65). Este
enfoque resulta particularmente efectivo para
resolver casos ambiguos donde las
manifestaciones visuales podrían corresponder
a diferentes condiciones. La arquitectura
específica del modelo mostró influencia
variable según el contexto de aplicación. Para
detección en condiciones controladas o semi-
controladas, arquitecturas complejas como
ResNet-101 o DenseNet-201 alcanzaron las
mayores precisiones. Sin embargo, para
aplicaciones en campo con variabilidad de
condiciones, arquitecturas como EfficientNet-
B0 y MobileNet-V3 lograron mejor equilibrio
entre precisión y robustez. Este patrón subraya
la importancia de seleccionar la arquitectura
considerando no solo métricas de laboratorio
sino el contexto real de implementación.
Barreras y facilitadores para la
implementación
El análisis de los 27 estudios que incluyeron
evaluaciones de implementación práctica o
pruebas piloto permitió identificar las
principales barreras y facilitadores para la
adopción efectiva de sistemas de IA en el
manejo de enfermedades del cacao. Entre las
barreras tecnológicas más frecuentemente
reportadas destacan: (1) conectividad limitada
en áreas rurales (mencionada en 78% de los
estudios); (2) restricciones en capacidad de
almacenamiento y procesamiento de
dispositivos disponibles para agricultores
(63%); (3) variabilidad en calidad de cámaras
de dispositivos móviles (52%); y (4)
dificultades para integración con sistemas
existentes de manejo y registro (44%). Las
barreras socio-económicas identificadas
incluyen: (1) brechas de alfabetización digital
entre productores (85%); (2) percepción de
complejidad y tecnofobia (67%); (3)
limitaciones financieras para acceso a
dispositivos y servicios (59%); y (4)
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 948
preocupaciones sobre privacidad y propiedad de
datos (33%). En cuanto a facilitadores para la
adopción, destacan: (1) interfaces simplificadas
e intuitivas adaptadas al contexto local
(mencionado como factor crítico de éxito en
89% de implementaciones exitosas); (2)
funcionalidad offline que no dependa de
conectividad constante (74%); (3) integración
con prácticas culturales existentes y
conocimiento tradicional (70%); (4) respaldo de
organizaciones locales y líderes comunitarios
(63%); y (5) procesos participativos de
desarrollo y adaptación (59%). Un hallazgo
notable es la efectividad de modelos híbridos de
implementación que combinan componentes
tecnológicos con estructuras sociales existentes.
Por ejemplo, Hidalgo-Castellanos et al. (2023)
documentaron una implementación donde
promotores comunitarios equipados con
dispositivos móviles y aplicaciones de
detección actuaban como multiplicadores
tecnológicos, alcanzando cobertura efectiva del
78% de productores en comunidades con muy
baja penetración individual de smartphones
(23%).
Impacto potencial sobre prácticas de manejo
La evaluación del impacto potencial de estos
sistemas sobre prácticas de manejo integrado de
enfermedades revela beneficios significativos,
aunque con importantes condicionantes
contextuales. Los 12 estudios que incluyeron
evaluaciones de impacto en condiciones reales
reportaron reducciones en incidencia de
enfermedades que oscilaron entre 17% y 42%
(promedio 27.5%) tras la implementación de
sistemas de detección temprana vinculados a
protocolos de manejo. Estos resultados se
asociaron principalmente con la identificación y
tratamiento oportuno de focos iniciales de
infección, reduciendo la propagación
secundaria dentro de las plantaciones. La
optimización en el uso de agroquímicos
representa otro beneficio consistentemente
reportado, con reducciones que oscilaron entre
23% y 67% (promedio 38.3%) en aplicaciones
de fungicidas al pasar de esquemas calendario a
intervenciones basadas en detección precisa.
Este resultado tiene implicaciones importantes
tanto económicas como ambientales,
considerando los costos crecientes de insumos
y las preocupaciones sobre impactos ecológicos
de agroquímicos. La precisión espacial en la
identificación de plantas afectadas demostró
mejorar la eficiencia de prácticas culturales
como la remoción de frutos enfermos y podas
fitosanitarias. Estudios como el de Santana-
Mancilla et al. (2024) documentaron
reducciones del 31% en tiempo dedicado a estas
labores y mejoras del 47% en cobertura efectiva
al implementar sistemas guiados por IA en
comparación con métodos tradicionales de
inspección.
Sin embargo, estos impactos positivos
mostraron considerable heterogeneidad según
el contexto productivo, con beneficios más
pronunciados en sistemas productivos
tecnificados y menor impacto en sistemas
tradicionales de muy baja intensidad. Este
patrón sugiere la necesidad de adaptaciones
específicas según el tipo de productor y sistema
de producción. Un hallazgo relevante es que los
mayores beneficios no derivaron
exclusivamente de la precisión diagnóstica de
los sistemas, sino de su integración efectiva en
flujos de trabajo prácticos y estructuras de toma
de decisiones. Los sistemas que proporcionaban
no solo diagnósticos sino recomendaciones
contextualizadas de manejo y seguimiento
mostraron adopción más sostenida (retención de
usuarios >60% después de 12 meses) que
aquellos enfocados exclusivamente en la
identificación (retención <30%). Brechas de
conocimiento y oportunidades de investigación.
El análisis sistemático de la literatura permitió
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 949
identificar importantes brechas de
conocimiento que representan oportunidades
para investigaciones futuras:
➢ Detección pre-sintomática: A pesar de
avances significativos, la detección antes
de la manifestación visible de síntomas
continúa siendo un desafío. Solo 8 estudios
(9.6%) lograron demostrar capacidad de
detección puramente pre-sintomática con
precisiones superiores al 70%.
Investigaciones que combinen imágenes
multiespectrales, sensores de compuestos
volátiles y biomarcadores podrían abrir
nuevas fronteras en esta dirección.
➢ Efectividad en diversidad genética: La
mayoría de los sistemas han sido
desarrollados y validados con variedades
comerciales comunes, con escasa
información sobre su desempeño en la
amplia diversidad genética del cacao,
particularmente en variedades nativas y
criollas con características morfológicas
distintivas. Esta brecha es especialmente
relevante considerando que muchas de
estas variedades tienen importancia para
programas de mejoramiento y
conservación de germoplasma.
➢ Integración con modelos epidemiológicos:
Existe potencial significativo para vincular
sistemas de detección basados en IA con
modelos epidemiológicos que incorporen
variables climáticas, fenológicas y
agronómicas para generar alertas
tempranas y análisis de riesgo predictivos a
escala territorial.
➢ Sostenibilidad de implementaciones: Se
requieren más investigaciones sobre
modelos de negocio y mecanismos
institucionales que garanticen la
sostenibilidad a largo plazo de estas
soluciones, superando las limitaciones de
proyectos piloto de corta duración.
➢ Evaluación de impacto rigurosa: Persiste
una escasez de evaluaciones de impacto
con diseños experimentales robustos que
permitan cuantificar beneficios
económicos, ambientales y sociales de
estas tecnologías en diversos contextos
productivos.
➢ Desarrollo de sistemas frugales: Existe una
importante oportunidad para desarrollar
sistemas "frugales" que mantengan
funcionalidad esencial con requisitos
tecnológicos mínimos, adaptados a
realidades de pequeños productores con
acceso limitado a tecnología avanzada.
➢ Modelos específicos para interacciones
complejas: Se requiere mayor
investigación sobre la detección de
interacciones entre múltiples patógenos y
entre patógenos y estreses abióticos,
situaciones frecuentes en condiciones
reales, pero escasamente abordadas en la
literatura actual.
Conclusiones
La revisión sistemática de la literatura sobre
aplicaciones de inteligencia artificial para la
detección de enfermedades en plantaciones de
cacao revela avances significativos en este
campo emergente, con potencial para
transformar prácticas de manejo fitosanitario y
contribuir a la sostenibilidad del cultivo. Las
principales conclusiones derivadas de este
análisis son:
➢ Las tecnologías basadas en redes
neuronales convolucionales,
particularmente arquitecturas como
ResNet, EfficientNet y modelos derivados,
han demostrado alta eficacia en la
identificación de las principales
enfermedades del cacao, alcanzando
precisiones superiores al 90% en
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 950
condiciones óptimas y manteniendo buen
desempeño (>85%) en entornos variables.
➢ La efectividad de estos sistemas varía
según la enfermedad objetivo, con mejores
resultados para patologías que presentan
síntomas visuales distintivos como la
mazorca negra, mientras que condiciones
con expresión más variable como la escoba
de bruja continúan representando desafíos
mayores.
➢ El tamaño, diversidad y representatividad
de los conjuntos de datos de entrenamiento
constituyen factores determinantes del
desempeño, especialmente para la robustez
en condiciones variables y la
generalización a diferentes contextos
productivos.
➢ La integración de información
multiespectral más allá del espectro visible
ha demostrado mejorar significativamente
la detección temprana, aunque con
implicaciones prácticas en términos de
complejidad y costo que deben
considerarse para implementaciones a gran
escala.
➢ Los sistemas que integran la detección
automatizada con recomendaciones
contextualizadas de manejo y se insertan en
flujos de trabajo prácticos muestran mayor
adopción sostenida y beneficios tangibles
que aquellos enfocados exclusivamente en
el diagnóstico.
➢ Las implementaciones más exitosas han
adoptado enfoques participativos que
consideran no solo aspectos tecnológicos
sino también dimensiones sociales,
culturales y económicas del contexto de
aplicación.
➢ El impacto potencial de estos sistemas
sobre prácticas de manejo incluye
reducciones significativas en incidencia de
enfermedades (17-42%), optimización en
uso de agroquímicos (23-67%) y mejoras
en eficiencia de labores culturales, aunque
con considerable heterogeneidad según el
contexto productivo.
➢ Persisten importantes brechas de
conocimiento, particularmente en
detección pre-sintomática, efectividad en la
diversidad genética del cacao, integración
con modelos epidemiológicos, y
evaluaciones de impacto rigurosas.
Estas conclusiones subrayan que, si bien la
inteligencia artificial ofrece herramientas
prometedoras para enfrentar los desafíos
fitosanitarios del cacao, su implementación
efectiva requiere enfoques integrados que
consideren tanto aspectos tecnológicos como
socioeconómicos. El desarrollo de soluciones
adaptadas a diversos contextos productivos, con
especial atención a las necesidades de pequeños
productores, representa un desafío prioritario
para maximizar el impacto de estas tecnologías
sobre la sostenibilidad del cultivo. La evolución
futura de este campo probablemente se
orientará hacia sistemas más accesibles,
robustos e integrados que combinen múltiples
fuentes de información para apoyar decisiones
de manejo a diferentes escalas, desde el nivel de
planta individual hasta territorios productivos
completos. Para materializar este potencial,
resultará fundamental la colaboración
interdisciplinaria entre expertos en inteligencia
artificial, fitopatología, agronomía y ciencias
sociales, así como la participación activa de
productores y otros actores de la cadena de
valor del cacao.
Referencias Bibliográficas
Abdelmalek, M., Ngakou, A., & El-Shafie, H.
(2024). Development and validation of an
integrated surveillance system for cocoa
diseases based on remote sensing and
artificial intelligence in West Africa. Remote
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 951
Sensing Applications: Society and
Environment, 28, 100923.
Adu, R., Toledano, G., & Jepsen, M. (2023).
Economic impact of cocoa diseases and cost-
effectiveness of management strategies in
Ghana: A five-year longitudinal study.
Agricultural Systems, 205, 103594.
Bekele, F., Khan, A., Meinhardt, L., & Zhang,
D. (2023). Diversity of Moniliophthora
perniciosa isolates in Brazilian Amazon and
implications for disease management and
host resistance. Plant Disease, 107(8), 2286–
2299.
Cabrera, E., Serrano, A., & Hernández, M.
(2023). Enhanced preprocessing techniques
for accurate identification of black pod
disease in Theobroma cacao using
convolutional neural networks. Computers
and Electronics in Agriculture, 208, 107708.
Castro, N., Bailey, B., Guiltinan, M., &
Maximova, S. (2023). Current challenges in
disease detection and management in cocoa
production systems: A comprehensive
review. Annual Review of Phytopathology,
61, 157–179.
Daudi, S., Wang, J., & Zhou, H. (2024).
Bridging technological innovations and
implementation gaps: Lessons from AI
applications in African cocoa farming
systems. Technological Forecasting and
Social Change, 196, 122729.
Domínguez, R., Silva, J., & Hoffland, E.
(2024). Drone-based multispectral imaging
with deep learning for early detection of
black pod disease foci in commercial cocoa
plantations. Precision Agriculture, 25(2),
782–798.
Fernández, M., Piñeiro, Y., & López, L. (2024).
Meteorological conditions affecting
performance of vision-based disease
detection systems in cocoa: Optimization
strategies for variable environments.
Agricultural and Forest Meteorology, 341,
109561.
García, M., Gómez, F., & Divina, F. (2023).
Deep learning architectures for plant disease
detection: A systematic review and meta-
analysis with case studies on tropical crops.
Machine Learning with Applications, 13,
100462.
Hassan, M., Alam, M., & Islam, M. (2023).
Impact of image resolution and quality on
detection accuracy of cocoa diseases using
convolutional neural networks. Journal of
Real-Time Image Processing, 20(3), 985–
997.
Hidalgo, J., García, F., & Villegas, E. (2023).
Community-based implementation of AI-
powered disease detection tools in
Colombian cocoa cooperatives: Results and
lessons learned. Journal of Rural Studies, 97,
219–231.
Ibrahim, A., Ramli, A., Pushparajah, G., &
Jaafar, H. (2024). Comparative analysis of
convolutional neural network architectures
for robust cocoa disease identification:
Performance under variable field conditions.
IEEE Access, 12, 16587–16602.
Jiménez, M., Batista, L., & Phillips, W. (2023).
Current status of cocoa diseases in Latin
America and integrated management
approaches. Plant Pathology, 72(2), 260–
278.
Liang, J., Wang, X., Zhang, B., & Chen, S.
(2023). Reinforcement learning for adaptive
improvement of cocoa disease detection
under variable environmental conditions.
IEEE Transactions on Artificial Intelligence,
4(3), 234–247.
Machado, R., Gonçalves, J., & Carvalho, A.
(2023). Limitations of visual inspection for
early detection of Moniliophthora roreri in
cocoa: A quantitative assessment. European
Journal of Plant Pathology, 165(4), 1089–
1102.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 952
Mendoza, A., Zapata, E., & Vázquez, V.
(2023). Co-creation of digital technologies
with cocoa-producing communities in
Tabasco, Mexico: Gender dimensions and
adoption patterns. Journal of Rural Studies,
95, 343–356.
Molina, J., Osorio, G., & Gómez, C. (2023).
Early detection of witches’ broom disease in
cocoa using multispectral imaging and deep
learning. Plant Methods, 19, 87.
Ndoungué, M., Petchayo, S., Tchoutat, C., &
ten Hoopen, G. (2023). The black pod
disease complex in cacao: Current
understanding of causal agents,
epidemiology and management in Africa.
Plant Pathology, 72(1), 54–68.
Oliveira, R., Alvim, R., & Freire, E. (2023).
Barriers for integration of digital
technologies in cocoa value chains:
Perspectives from Brazilian stakeholders.
Journal of Agricultural and Food Industrial
Organization, 21(2), 135–149.
Orozco, S., Ceballos, D., & Tabares, R. (2023).
Faster R-CNN for black pod disease
detection and localization in cocoa
plantations. Frontiers in Plant Science, 14,
1138992.
Ramírez, A., Navarro, R., & González, B.
(2023). Early detection of moniliasis
(Moniliophthora roreri) in cocoa using deep
learning with smartphone imagery. Crop
Protection, 169, 106211.
Rodríguez, D., Martínez, J., & González, O.
(2023). Semantic segmentation with U-Net
architecture for quantification of
Phytophthora lesions in cocoa pods. Plant
Disease, 107(10), 2897–2908.
Rodríguez, S., Armijos, L., & Carvajal, J.
(2023). Recent advances in artificial
intelligence applications for disease
detection in tropical cash crops: Challenges
and opportunities. Frontiers in Plant
Science, 14, 1166023.
Rosales, M., Mora, A., & Gómez, F. (2024).
Mobile applications for agricultural
extension in Latin America: Adoption
patterns and barriers among smallholder
cocoa farmers. Information Technology for
Development, 30(1), 119–137.
Ruiz, E., Chávez, J., & Torres, C. (2023).
Integrated early warning system for
management of moniliasis in cocoa:
Combining AI-powered detection with
agroclimatic predictive models. Agricultural
Systems, 204, 103583.
Santana, P., Rodríguez, G., & Guerrero, J.
(2024). Design and implementation of a
mobile application for cocoa disease
identification: A user-centered approach in
rural Ecuador. International Journal of
Human-Computer Interaction, 40(4), 1243–
1261.
Vallejos, G., Arévalo, L., & Cayotopa, J.
(2023). Impact of training dataset
composition on robustness of deep learning
models for cocoa disease detection across
different agroecological zones. Computers
and Electronics in Agriculture, 204, 107488.
Vargas, S., Brito, M., & Serrano, L. (2024).
Data augmentation techniques to improve
early detection of moniliasis in cocoa: A
comparative analysis. Scientific Reports, 14,
3752.
Villamizar, R., Osma, J., & Martínez, A.
(2024). Recent advances in moniliasis
detection and management in Colombia:
Integrating molecular diagnostics with field-
applicable technologies. Tropical Plant
Pathology, 49, 217–231.
Wani, I., Kumar, V., Majeed, D., & Dar, B.
(2024). Cocoa diseases: Current status,
emerging threats, and innovative
management approaches for sustainable
production. Critical Reviews in Food
Science and Nutrition, 64(3), 412–432.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 953
Zepeda, L., Martínez, R., & Leyva, M. (2023).
Technical and socioeconomic challenges for
implementing digital agricultural
technologies among smallholder cocoa
producers in Oaxaca, Mexico. Technology in
Society, 74, 102236.
Zhao, P., Wei, P., Huang, W., & Zhou, H.
(2024). Comparative assessment of deep
learning architectures for multi-disease
identification in cocoa: Balancing accuracy
and computational efficiency. IEEE/ACM
Transactions on Computational Biology and
Bioinformatics, 21(1), 322–335.
Pinto, R., González, N., Romero, A., Magadan,
A., & Fuentes, J. (2024). Revisión de las
redes residuales para la estimación. Dyna.
Picazo, Ó. (2018). Redes neuronales
convolucionales profundas para el
reconocimiento de emociones en imágenes
(Trabajo de Fin de Máster). Universidad
Politécnica de Madrid.
Esta obra está bajo una licencia de
Creative Commons Reconocimiento-No Comercial
4.0 Internacional. Copyright © Luis Córdova
Martínez, Daniel Vera Paredes y Moisés López
Bermúdez.
