En Ensenada, región que produce cerca del 90% del vino de mesa a nivel nacional, no se encontraron antecedentes documentados de sistemas de visión y modelos de aprendizaje máquina que permitan la identificación oportuna de las especies de insectos más nocivas para el cultivo de vid. En el presente trabajo se aborda el desarrollo de un sistema para la identificación automática de insectos en plantas de vid en Baja California, utilizando redes neuronales convolucionales (CNN). Para clasificar los especímenes se utilizaron tres etiquetas: Cicadellidae, Membracidae y una etiqueta adicional para agrupar cualquier detección que no sea de interés. Para la construcción del modelo, se propuso reemplazar el backbone del modelo de detección YOLO por la arquitectura EfficientNet-B4, debido al buen desempeño observado en tareas de clasificación presentadas en este trabajo. Para evaluar los resultados, se comparó el modelo propuesto contra un modelo YOLO original mediante las métricas de precisión, sensibilidad, mAP₅₀, mAP_50-95 sobre el conjunto de datos Slim dataset, que contenía imágenes públicas de iNaturalist e IP102. Se demostró que la arquitectura propuesta para el sistema de detección, YOLOv8s con backbone EfficientNet-B4, presentó una mejora en las métricas de evaluación en comparación con la versión por defecto de YOLOv8s; sin embargo, se observó un incremento en el tiempo de inferencia. Adicionalmente, el modelo propuesto se evaluó utilizando un conjunto de imágenes de muestras de especímenes adquiridos en el Valle de Guadalupe, capturadas con una cámara digital, con el fin de comprobar la viabilidad de utilizar el sistema con insectos propios de la región, obteniendo una mAP₅₀ de 0.903 en Cicadellidae y de 0.965 en Membracidae. Por otra parte, los algoritmos presentados en este trabajo podrán ser utilizados por el grupo de la DBEA, CICESE para identificar especímenes pertenecientes a la familia Cicadellidae y Membracidae, con el objetivo de integrarlos en un futuro a su aspirador entomológico.

In Ensenada, a region that produces nearly 90% of the table wine in Mexico, no documented precedents were found for vision systems and machine learning models that enable the timely identification of the most harmful insect species affecting grapevine cultivation. This work addresses the development of a system for the automatic identification of insects on grapevine plants in Baja California, using convolutional neural network (CNN). To classify the specimens, three labels were used: Cicadellidae, Membracidae, and an additional label to group any detections that are not of interest. For the model construction, it was proposed to replace the YOLO detection model’s backbone with the EfficientNet-B4 architecture, due to its good performance in classification tasks demonstrated in this study. To evaluate the results, the proposed model was compared with an original YOLO model using precision, recall, mAP₅₀, and mAP_50-95 metrics on the Slim dataset, which contained public images from iNaturalist and IP102. The proposed detection system architecture, YOLOv8s with the EfficientNet-B4 backbone, showed an improvement in evaluation metrics compared to the default YOLOv8s version; however, an increase in inference time was observed. Additionally, the proposed model was evaluated using a set of images of specimens collected in the Valle de Guadalupe, captured with a digital camera, in order to verify the feasibility of using the system with insects native to the region, achieving an mAP₅₀ of 0.903 for Cicadellidae and 0.965 for Membracidae. Furthermore, the algorithms developed in this work could be used by the DBEA group at CICESE to identify specimens belonging to the Cicadellidae and Membracidae families, with the goal of integrating them into their entomological aspirator in the future.