La naturaleza aún es demasiado compleja para que el modelado de inteligencia artificial (IA) sea efectivo, pero el punto de inflexión está cerca, según un nuevo estudio que encontró que la tecnología aún puede tropezar con el último obstáculo del mundo real.
por la Universidad Charles Darwin
El estudio sobre cómo la IA puede ayudar a proteger los cultivos de enfermedades y mejorar la seguridad alimentaria al identificar enfermedades y pronosticar brotes, ha revelado que la mayoría de los modelos de IA que funcionan en el laboratorio de computación se ven abrumados cuando se los pone en el campo.
Existe un creciente interés en el uso de la IA en la protección de cultivos , ya que las enfermedades infecciosas de las plantas, si no se controlan, pueden comprometer entre el 10 % y el 40 % del rendimiento agrícola, dependiendo de la enfermedad. Estas enfermedades podrían causar deficiencias nutricionales en cultivos típicamente ricos en vitaminas y minerales.
En los últimos años, los algoritmos de aprendizaje automático y profundo han servido como columna vertebral de aplicaciones móviles, monitoreo basado en drones, sistemas de riego y tratamiento automatizados y plataformas de agricultura de precisión que han avanzado para reconocer de manera confiable enfermedades incipientes.
Pero la aplicabilidad sobre el terreno sigue siendo uno de los principales desafíos que enfrenta esta tecnología en crecimiento.
El supervisor del estudio, el Dr. Thuseethan Selvarajah, profesor de Tecnología de la Información de la CDU, dijo que los escenarios agrícolas del mundo real a menudo eran más complejos de lo que los modelos de IA son capaces de analizar, lo que conduce a diagnósticos erróneos y recomendaciones de tratamientos inapropiadas.
El Dr. Selvarajah dijo que el estudio destacó la necesidad de desarrollar conjuntos de datos diversos y reales sobre enfermedades de las plantas que capturen la variabilidad en los tipos de cultivos, las etapas de la enfermedad y las condiciones ambientales para entrenar modelos de IA.
«Algunos de los problemas de campo más comunes que afectan la precisión de un modelo de IA incluyen cambios en la iluminación, hojas superpuestas, desorden en el fondo y calidad de imagen inconsistente», dijo.
Técnicas como el aumento de datos, la adaptación de dominios y el entrenamiento de modelos de IA para manejar el ruido y las distorsiones ayudarían a superar esto, pero también es importante crear modelos de aprendizaje profundo livianos y eficientes que puedan usarse en dispositivos con recursos limitados, como teléfonos inteligentes y drones.
En regiones como Darwin y en todo el Territorio del Norte, donde la cobertura de la red puede ser limitada, implementar modelos de IA directamente en dispositivos móviles es fundamental, ya que permite a los agricultores acceder a estas herramientas sin necesidad de una conexión constante a internet.
Romiyal George, candidato a doctorado de la Universidad de Peradeniya, quien dirigió el estudio, dijo que los cultivos saludables eran cruciales para alimentar a las comunidades, preservar la biodiversidad y apoyar el desarrollo económico en todo el mundo, pero la creciente amenaza de las enfermedades de las plantas pone todo esto en riesgo.
George dijo que históricamente los agricultores habían confiado en la inspección visual de los cultivos para monitorear la presencia de enfermedades en las plantas, un método que consume mucho tiempo, es costoso y a menudo impreciso.
«Un modelo de aprendizaje profundo entrenado con imágenes de hojas de plantas que muestran diferentes etapas de la enfermedad puede detectar signos tempranos de infección con gran precisión», afirmó.
Detectar estos síntomas de forma temprana es crucial porque los controles visuales tradicionales a menudo los pasan por alto hasta que la enfermedad ya está avanzada, lo que lleva a una pérdida de cultivos más grave.
En comparación, los sistemas de IA impulsados por aprendizaje profundo pueden proporcionar retroalimentación inmediata, lo que ayuda a los agricultores a tomar decisiones más rápidas y mejores.
Esta investigación fue publicada en Computers and Electronics in Agriculture y contribuye al Objetivo 2 de los Objetivos de Desarrollo Sostenible de las Naciones Unidas, relacionado con el hambre cero.
Más información: Romiyal George et al., Pasado, presente y futuro del reconocimiento de enfermedades foliares profundas: Un estudio, Computers and Electronics in Agriculture (2025). DOI: 10.1016/j.compag.2025.110128
