El avance del aprendizaje profundo está transformando cómo se detectan los rasgos fenotípicos del maíz en campo, lo que permite mejorar la gestión del cultivo.
Redacción Mundo Agropecuario
Modelos recientes como Point-Line Net muestran cómo la combinación de imágenes reales de cultivo, detección de objetos y nuevas ramas de detección de puntos clave permiten identificar hojas, tallos, trayectorias de crecimiento, así como otros rasgos vitales, con alta precisión. Esto facilita decisiones más informadas sobre manejo agronómico, selección genética, nutrición y respuesta a estrés, optimizando productividad, reduciendo pérdidas, y haciendo más sostenible el cultivo.
Qué muestran los últimos estudios
Estudios recientes desarrollaron modelos basados en redes neuronales profundas, entre ellos Point-Line Net, que usan el marco de Mask R-CNN para reconocer automáticamente imágenes de maíz, determinando número y trayectoria de hojas y tallos con una precisión medida como mAP50 de alrededor de 81,5 %. Estos modelos integran además detección de puntos clave para describir mejor la estructura vegetal. El rendimiento supera a otros modelos tradicionales en ambientes de campo, que tienen fondos complejos e iluminación variable.
Otro trabajo, un enfoque autónomo robotizado llamado TerraSentia, capturó fenotipos (altura de planta, diámetro de tallo, índice de área foliar y altura de mazorca) en decenas de miles de parcelas durante varios años, usando sensores múltiples, cámaras e inteligencia artificial para procesar datos desde dentro del dosel del cultivo. Esto permite evaluar genotipo × ambiente × manejo (G×E×M) con mayor detalle, y tomar decisiones de fertilización, densidad de siembra u otros insumos basadas en datos reales.
Cómo se aplican en la gestión del cultivo
Con estos modelos se pueden planificar ajustes durante la temporada, tales como:
- Determinar el momento óptimo para poda de hojas, aplicación de riegos o fertilizantes, basándose en la tasa de crecimiento medida digitalmente.
- Identificar variaciones entre híbridos/racimos dentro de un lote para ajustar manejo diferenciado.
- Mejor estimación temprana de densidad foliar, tolerancia al estrés hídrico o a enfermedades, mediante patrones visuales del fenotipo detectados con IA.
- Fortalecer los programas de mejoramiento vegetal usando datos fenotípicos de campo mucho más abundantes y precisos, lo que acelera la selección de materiales genéticos más adaptados a condiciones reales.
Retos y condiciones para una implementación exitosa
- Necesidad de imágenes de buena calidad, calibración adecuada, fondos de campo diversos para entrenar los modelos.
- Recursos técnicos y tecnológicos: sensores, cámaras, capacidad de procesamiento, conectividad.
- Interpretación agronómica de los datos: el modelo puede detectar rasgos, pero se requiere conocimiento agronómico para traducirlos en acciones de campo.
- Escalabilidad en fincas pequeñas o medianas, donde recursos técnicos y económicos pueden ser limitados.
- Validar localmente: los modelos deben adaptarse a condiciones climáticas, suelos, variedades de maíz propias de cada región para que funcionen bien.
Aplicar aprendizaje profundo para detectar fenotipos en maíz promete mejorar notablemente la gestión del cultivo, con datos más precisos, decisiones agronómicas mejor informadas, y una mayor eficiencia. Para que los beneficios se materialicen, es clave que los modelos se desarrollen o adapten localmente, que se cuente con la infraestructura técnica necesaria, y que los agricultores o técnicos puedan interpretar y usar esos datos operativamente. Es una tecnología con alto potencial para mejorar rendimientos, reducir insumos y aumentar sostenibilidad en la producción de maíz.
Referencias
Liu, B., Chang, J., Hou, D., Pan, Y., Li, D., & Ruan, J. (2024). Recognition and Localization of Maize Leaf and Stalk Using Point-Line Net. Plant Phenomics. spj.science.org
DeBruin, J., Aref, T., Tirado Tolosa, S., Hensley, R., Underwood, H., McGuire, M., Soman, C., Nystrom, G., Parkinson, E., Li, C., & Moose, S. P. (2025). Breaking the field phenotyping bottleneck in maize with autonomous robots. Communications Biology. Nature
