Los tomates son una fuente fundamental de nutrientes y siguen siendo una de las frutas más cultivadas en todo el mundo. Sin embargo, las prácticas intensivas en invernaderos aumentan la susceptibilidad a las enfermedades, que pueden reducir los rendimientos hasta en un 30% y degradar la calidad de la fruta.
por la Academia China de Ciencias
Los métodos tradicionales de monitoreo de plantas requieren mucho trabajo y, a menudo, son ineficaces en condiciones reales debido a desafíos ambientales como la iluminación variable y la complejidad del fondo. Un estudio publicado en Plant Phenomics revoluciona la gestión de invernaderos y previene la propagación de enfermedades .
Al integrar la detección de enfermedades y el recuento de frutas en tiempo real, esta innovación promete mejorar las prácticas de producción sostenibles para uno de los cultivos más vitales del mundo.
La investigación utilizó los algoritmos YOLOX, NanoDet y YOLO-TGI para evaluar la precisión de la detección de enfermedades del tomate y el recuento de frutos. Se probaron varios detectores en un conjunto de datos completo y se visualizaron las distribuciones de confianza para hojas enfermas, hojas sanas y tomates mediante gráficos de violín.
Los resultados mostraron que una mayor complejidad de la red mejoró en general la precisión de la detección. En concreto, YOLOX-M logró un rendimiento óptimo, con puntuaciones de confianza en la detección de hojas concentradas en torno a 0,9, mientras que YOLOX-N demostró un rendimiento más débil, con puntuaciones que oscilaron entre 0,2 y 0,7, probablemente debido a su estructura ligera.
Tanto NanoDet como YOLO-TGI mostraron tendencias similares y mantuvieron puntuaciones sólidas por encima de 0,4. El modelo YOLOX tuvo la velocidad de inferencia más rápida, con 32,35 ms, y la precisión media promedio (mAP) más alta, con 0,85, mientras que NanoDet presentó el tamaño de modelo más pequeño y YOLO-TGI logró los FLOP y pesos de punto de control más bajos.
Para el seguimiento de frutas , la combinación de YOLO-TGI-S con Byte-Track brindó un rendimiento superior, con un R2 de 0,93 y un RMSE de 9,17. En cambio, NanoDet-S y FairMot registraron el R2 más bajo, de 0,34. Los desafíos incluyeron oclusiones, variaciones de iluminación ambiental y cambio de ID en transmisiones de video, mitigados mediante una estrategia de filtrado de ID.
En general, YOLO-TGI-S combinado con Byte-Track resultó ser la configuración más efectiva, ofreciendo una solución precisa y de alta velocidad para el monitoreo en tiempo real del crecimiento de las plantas de tomate y la estimación del rendimiento.
Según el investigador principal del estudio, el Dr. Shangpeng Sun, “la detección temprana de enfermedades y la estimación precisa del rendimiento son fundamentales para la agricultura sostenible. Nuestro sistema integrado representa un avance significativo, ya que ofrece un control rápido y preciso que se puede adaptar a múltiples cultivos más allá del tomate”.
Esta investigación marca un gran avance en el monitoreo agrícola automatizado. Al ofrecer una solución escalable, eficiente y de alta velocidad para la detección de enfermedades y la evaluación del rendimiento, el sistema tiene el potencial de transformar las prácticas agrícolas modernas y respaldar los esfuerzos mundiales en materia de seguridad alimentaria.
Más información: Rui Kang et al, Toward Real Scenery: A Lightweight Tomato Growth Inspection Algorithm for Leaf Disease Detection and Fruit Counting, Plant Phenomics (2024). DOI: 10.34133/plantphenomics.0174
