Las enfermedades de las plantas han representado una gran amenaza para los agricultores desde los primeros días de la agricultura.
por TransSpread
Hoy, a pesar de nuestra mejor comprensión de las causas y el tratamiento de estas enfermedades, continúan causando pérdidas económicas significativas. Si bien la detección temprana de enfermedades de las plantas es la mejor apuesta del agricultor para minimizar su impacto, la inspección manual de cada planta es una tarea monumental y es propensa a errores. Solo un ojo bien entrenado puede distinguir con precisión la diferencia entre enfermedades que causan síntomas similares.
Afortunadamente, la inteligencia artificial (IA) está allanando rápidamente el camino hacia prácticas agrícolas más inteligentes. Los modelos recientes de aprendizaje automático son capaces de identificar automáticamente las enfermedades de las plantas a partir de fotografías digitales. Cuando se combinan con drones y cámaras de alta calidad, estos modelos pueden reducir el tiempo y el esfuerzo necesarios para monitorear grandes campos. Sin embargo, incluso los algoritmos más recientes tienen dificultades en condiciones específicas y desafiantes.
Un ejemplo notable es el efecto de la interferencia de fondo en los resultados de clasificación de enfermedades. En algunos casos, las hojas enfermas adquieren un color similar al de la tierra, lo que tiende a confundir al clasificador automático, particularmente cuando las áreas afectadas están en los bordes de las hojas. Otros problemas incluyen la variabilidad de los síntomas causados por una sola enfermedad y las similitudes que existen entre diferentes enfermedades.
En un nuevo estudio, un equipo de investigadores se propuso desarrollar un modelo que pudiera manejar estos desafíos. Se centraron en cinco enfermedades comunes que afectan a las hojas de los tomates y desarrollaron un modelo de aprendizaje automático, llamado PLPNet, que puede detectar con precisión estas enfermedades a partir de imágenes tomadas en tiempo real. El estudio, dirigido por el profesor Guoxiong Zhou de la Universidad Central Sur de Silvicultura y Tecnología de China, se publicó recientemente en Plant Phenomics .
El equipo primero se centró en producir un buen conjunto de datos para entrenar el modelo. Con este fin, recopilaron imágenes de un conjunto de datos abierto, pero bastante desactualizado, llamado «Plant Village». Analizaron minuciosamente las imágenes y eliminaron las que no serían buenas candidatas para el entrenamiento, como las imágenes borrosas o mal iluminadas. Además de las 3524 imágenes finales que obtuvieron de Plant Village, el equipo también descargó otras 1909 imágenes de Internet. Finalmente, se realizó un etiquetado cuidadoso de todas las imágenes para identificar cada lesión en las hojas.
A continuación, el equipo diseñó la arquitectura de red de PLPNet. Utilizaron tres técnicas distintas que, al trabajar juntas, condujeron a la mayor precisión de clasificación. El primero fue una columna vertebral de convolución adaptativa perceptiva (PAC), que ayudó al modelo a extraer las características más definitorias de cada enfermedad ajustando el «enfoque» de la red al analizar una imagen.
El segundo fue un módulo de mecanismo de atención de refuerzo de ubicación (LRAM), que ayudó a detectar enfermedades en los bordes de las hojas y filtró la interferencia de fondo. El tercer módulo era una red de agregación de características de proximidad (PFAN) que implementaba convolución y deconvolución atrosa conmutables. Esta estructura ayudó al modelo a aprender hasta el más mínimo detalle de cada enfermedad, lo que mejoró enormemente su rendimiento en la detección y clasificación de enfermedades.
El equipo probó exhaustivamente su modelo después del entrenamiento y analizó el rendimiento obtenido por cada una de sus partes. También compararon el rendimiento de PLPNet con muchos otros modelos de última generación para la detección de enfermedades de las plantas.
Los resultados fueron muy prometedores, ya que PLPNet logró una precisión del 94,5 % a una velocidad de más de 25 fotogramas por segundo, lo que lo hace adecuado para su uso en campo. Entusiasmado con los resultados, el profesor Zhou comenta: «PLPNet mejora significativamente la precisión de la detección mientras mantiene la velocidad de detección estándar. En consecuencia, supera a otros modelos de prueba y demuestra la eficacia de nuestro enfoque mejorado».
Los tomates se cultivan ampliamente en todo el mundo y son de gran importancia económica. El equipo espera que PLPNet tenga un impacto positivo en su cultivo, reduciendo la carga de pérdidas financieras causadas por plantas de tomate enfermas. «Esta investigación puede ayudar a los productores a detectar enfermedades de las hojas de tomate de manera oportuna y precisa, así como a realizar controles específicos basados en el tipo de enfermedad detectada», concluye el profesor Zhou, «Esto proporciona una nueva referencia para el aprendizaje profundo para garantizar agricultura moderna del tomate».
Más información: Zhiwen Tang et al, Un enfoque preciso de detección de enfermedades de la hoja de tomate basado en imágenes utilizando PLPNet, Plant Phenomics (2023). DOI: 10.34133/plantafenómica.0042
