Aprendizaje profundo para el reconocimiento de polinizadores: una revisión sistemática de arquitecturas, métricas y factores de desempeño

Abstract

En este trabajo se realizó una revisión sistemática de literatura sobre el reconocimiento de imágenes de polinizadores mediante aprendizaje profundo, con énfasis en arquitecturas, métricas de evaluación y factores técnicos asociados al rendimiento. La búsqueda se efectuó en Scopus mediante una estrategia estructurada, siguiendo el enfoque PRISMA para la identificación, selección y depuración de los estudios, junto con criterios de inclusión y exclusión previamente definidos. El corpus final estuvo conformado por 53 estudios publicados desde 2020, centrados en tareas de clasificación, detección y segmentación. Los resultados evidencian un predominio de la detección y una presencia destacada de la familia YOLO, junto con arquitecturas como ResNet, MobileNet, EfficientNet, Faster R-CNN y Mask R-CNN. Las métricas más reportadas fueron exactitud, precisión y sensibilidad, mientras que en detección destacaron mAP, IoU y FPS. Además, se identificó que el rendimiento depende de la arquitectura y de estrategias como aumento de datos, aprendizaje por transferencia y métodos de optimización. La evidencia revisada muestra avances relevantes en el reconocimiento automatizado de polinizadores e indica que la comparación por tipo de tarea, modelo y métrica permite ordenar una literatura metodológicamente heterogénea.