Acceso usuarios
[1]
;
Sanchez Calderon, Yanina
[2]
El presente estudio aborda la limitada identificación de especies de orquídeas en contextos de alta biodiversidad, particularmente en Moyobamba, donde esta situación dificulta su conservación y aprovechamiento en ámbitos turísticos y educativos; por ello, el objetivo es analizar el estado del arte en la clasificación automática de orquídeas mediante redes neuronales convolucionales (CNN). La investigación se desarrolló mediante una revisión sistemática de la literatura basada en la metodología de revisión sistemática de Kitchenham, estructurada en fases de planificación, conducción y reporte, aplicando criterios de inclusión y exclusión a publicaciones entre 2024 y 2026 (con fecha de corte de búsqueda en enero de 2026), lo que permitió seleccionar 22 estudios primarios a partir de 371 registros iniciales. Los resultados evidencian un predominio de arquitecturas como ResNet, DenseNet y MobileNet, así como el uso frecuente de técnicas como Transfer Learning y Data Augmentation, que mejoran significativamente el rendimiento de los modelos. Se identifican limitaciones relacionadas con la escasez de datasets específicos de orquídeas y su implementación en entornos reales. Se concluye que las CNN constituyen una herramienta prometedora para la identificación automática de orquídeas, con potencial aplicación en contextos de biodiversidad tropical como el del Bosque de Protección Alto Mayo.
This study addresses the limited identification of orchid species in high-biodiversity environments, particularly in Moyobamba, where this issue hinders their conservation and use in tourism and educational contexts; therefore, the objective is to analyze the state of the art in automatic orchid classification using Convolutional Neural Networks (CNNs). The research was conducted through a systematic literature review based on the Kitchenham systematic review methodology, structured into planning, conducting, and reporting phases, applying inclusion and exclusion criteria to publications from 2024 to 2026 (with a search cut-off date of January 2026), resulting in 22 primary studies out of 371 initial records. The results show a predominance of architectures such as ResNet, DenseNet, and MobileNet, as well as the frequent use of techniques such as Transfer Learning and Data Augmentation, which significantly improve model performance. Limitations related to the scarcity of specific orchid datasets and their implementation in real-world environments were identified. It is concluded that CNNs represent a promising tool for automatic orchid identification, with potential applications in tropical biodiversity contexts such as the Alto Mayo Protected Forest.
