Acceso usuarios
Giovanni Mora Castro
, Karla Vanessa Ayala Cruz, José de Jesús Valenzuela Hernández, José de Humberto Romero Fitch
Esta revisión sistemática analiza las principales tendencias tecnológicas y metodológicas en el uso de vehículos aéreos no tripulados (VANT) y técnicas de procesamiento de imágenes aplicadas a la agricultura de precisión entre 2018 y 2024. Se consultaron bases indexadas (Scopus, IEEE Xplore, ScienceDirect, etc.) y, tras criterios rigurosos de inclusión y exclusión —eliminación de duplicados, ausencia de validez metodológica y falta de enfoque agrícola— se seleccionaron 111 artículos. Los hallazgos muestran crecimiento sostenido de la producción científica y la prevalencia de sensores RGB por costo y accesibilidad; además, se observa adopción creciente de sensores multiespectrales y térmicos para aplicaciones avanzadas. En procesamiento de imágenes destacan modelos de aprendizaje profundo como CNN, U‑Net y YOLO, aplicados a segmentación de cultivos, detección de enfermedades, monitoreo de germinación y clasificación de especies. Se identificaron configuraciones metodológicas recurrentes entre tipos de sensores, técnicas y cultivos, aunque persisten vacíos: escasa validación en campo, falta de métricas estandarizadas y subrepresentación de regiones emergentes. El estudio ofrece una base para proyectos futuros y refuerza el potencial de los VANT para una agricultura más eficiente, precisa y sostenible. Sus conclusiones orientan decisiones de investigación, inversión y adopción tecnológica con énfasis en prácticas abiertas, replicables y contextualmente pertinentes locales.
This systematic review aims to analyze the main technological and methodological trends in the use of unmanned aerial vehicles (UAVs) and image processing techniques applied to precision agriculture between 2018 and 2024. The research was based on a structured query of indexed databases such as Scopus, IEEE Xplore, and ScienceDirect, from which 111 peer-reviewed articles were selected following rigorous inclusion criteria. Duplicates, non-agricultural studies, and publications lacking methodological clarity were excluded. The findings indicate sustained growth in scientific production related to UAV applications in agriculture, with a predominance of RGB sensors due to their affordability and accessibility. There is also an increasing adoption of multispectral and thermal sensors for more advanced use cases. In terms of image processing techniques, significant advances were found in the application of deep learning models, particularly CNN, U-Net, and YOLO, used for tasks such as crop segmentation, disease detection, germination monitoring, and species classification. Frequent technological combinations were identified between sensors, processing methods, and agricultural applications, establishing increasingly standardized methodological frameworks. However, several challenges persist, including limited validation under field conditions, lack of metric standardization, and underrepresentation of studies in emerging agricultural regions. This review provides a strong foundation for future research and technological implementation, highlighting the potential of UAVs as strategic tools in achieving more efficient, precise, and sustainable agriculture.
