El conjunto SLIF-Tomato reúne 8.934 imágenes obtenidas en Sri Lanka y permite entrenar sistemas capaces de reconocer siete enfermedades foliares en condiciones agrícolas reales
Redactor: Javier Morales O.
Editor: Eduardo Schmitz
Investigadores de la Universidad Charles Darwin, la Universidad de Peradeniya y otras instituciones desarrollaron un conjunto de imágenes destinado a mejorar la detección de enfermedades del tomate mediante inteligencia artificial. El recurso, denominado Sri Lankan In-Field Tomato o SLIF-Tomato, contiene 8.934 imágenes clasificadas y anotadas para trabajar con fotografías captadas directamente en explotaciones agrícolas de Sri Lanka.
La principal diferencia respecto de numerosas bases empleadas anteriormente es el origen de las fotografías. En lugar de mostrar hojas aisladas sobre fondos uniformes y con iluminación controlada, SLIF-Tomato reproduce obstáculos habituales del campo, como sombras, variaciones de luz, suelo visible, follaje superpuesto y fondos complejos.
El estudio fue encabezado por Romiyal George, candidato a doctorado de la Universidad de Peradeniya, bajo la supervisión de Thuseethan Selvarajah, profesor de tecnología de la información de la Universidad Charles Darwin. La investigación fue publicada en la revista científica Neural Computing and Applications.
Ocho categorías para reconocer hojas sanas y enfermas
El conjunto partió de 890 fotografías originales de hojas de tomate, tomadas durante 2024 en distintas zonas agroclimáticas de Sri Lanka. La recopilación abarcó Kandy, situada en la zona húmeda, y las regiones secas de Trincomalee y Jaffna. Posteriormente, un proceso de ampliación de datos produjo las 8.934 imágenes utilizadas en el trabajo.
Las fotografías se organizaron en ocho categorías: una correspondiente a hojas sanas y siete asociadas con mancha bacteriana, tizón temprano, mosaico, oídio, septoriosis, marchitez y tizón tardío. Especialistas en patología agrícola participaron en el etiquetado y la verificación de las clases.
Además de identificar la categoría de cada fotografía, el conjunto incluye recuadros delimitadores que señalan las regiones afectadas. Esta característica permite entrenar modelos que no solo clasifican una hoja, sino que también localizan visualmente dónde aparecen las lesiones.
El trabajo amplía una línea de investigación ya abordada por Mundo Agropecuario mediante una solución de inteligencia artificial para diagnosticar enfermedades foliares del tomate, donde la interferencia del fondo también fue identificada como una dificultad para los clasificadores automáticos.
Un mecanismo de atención filtra el ruido de las fotografías
Los investigadores propusieron un mecanismo denominado Inverted Residual Convolutional Block Attention Module, abreviado IR-CBAM. Su función consiste en ayudar al sistema a seleccionar características relevantes —como color, textura y bordes— y concentrar el análisis en las áreas donde aparecen los síntomas.
El modelo busca ignorar elementos que pueden confundir el diagnóstico, entre ellos el suelo, las sombras y otras hojas situadas en el fondo. El diseño fue integrado con arquitecturas ligeras de aprendizaje profundo para facilitar su funcionamiento en dispositivos con recursos limitados, como teléfonos móviles y sistemas informáticos integrados.
En dos versiones preparadas del conjunto SLIF-Tomato, el método alcanzó precisiones de clasificación de 99,66% y 99,91%. Para localizar las regiones enfermas, el modelo YOLOv12-large obtuvo una precisión media de 88,5%. Estas cifras corresponden a la evaluación experimental descrita por los autores y todavía no equivalen a un desempeño garantizado en cualquier finca, variedad o región.
El desafío de interpretar escenas agrícolas complejas también aparece en sistemas de monitoreo desarrollados para invernaderos. Un ejemplo es el robot equipado con un teléfono inteligente que identifica enfermedades del tomate, una tecnología diseñada para analizar las plantas mientras se desplaza entre las hileras.
Detección temprana para orientar el manejo fitosanitario
Una identificación rápida puede ayudar al productor a decidir qué plantas requieren una inspección especializada y dónde concentrar las medidas de control. El objetivo es reducir las pérdidas causadas por diagnósticos tardíos y evitar aplicaciones químicas generalizadas cuando el problema se encuentra localizado.
La herramienta no sustituye la confirmación de un especialista ni las pruebas de laboratorio cuando los síntomas son ambiguos. Deficiencias nutricionales, daños ambientales y diferentes patógenos pueden producir señales visuales parecidas, por lo que una predicción automatizada debe incorporarse a un programa de vigilancia y manejo integrado.
Esta aplicación forma parte de una tendencia más amplia de detección temprana de enfermedades agrícolas mediante inteligencia artificial, basada en cámaras, visión computacional y modelos entrenados con imágenes representativas de las condiciones productivas.
En el cultivo del tomate, las herramientas digitales pueden complementarse con medidas directas de protección fitosanitaria. Las trampas de luz evaluadas contra Tuta absoluta ilustran cómo el monitoreo y las intervenciones selectivas pueden integrarse para disminuir daños y reducir la dependencia de tratamientos indiscriminados.
El conjunto deberá ampliarse a nuevas regiones y cultivos
Los autores plantean como siguiente etapa trasladar los resultados desde el entorno experimental hasta aplicaciones operativas y ampliar las bases de imágenes con más cultivos y enfermedades. La diversidad regional será determinante, porque la apariencia de los síntomas puede variar con el clima, el suelo, la variedad cultivada, el estado de desarrollo y el dispositivo empleado para fotografiar la planta.
SLIF-Tomato fue construido con imágenes tomadas bajo luz natural, en diferentes momentos del día y mediante varios modelos de teléfonos. Esa heterogeneidad pretende acercar el entrenamiento a la forma en que agricultores y técnicos capturan fotografías durante una inspección ordinaria.
El conjunto de datos se encuentra disponible para apoyar nuevas investigaciones. Su utilidad práctica dependerá de validaciones independientes, ensayos en otras zonas productoras y una integración que permita convertir el resultado del algoritmo en recomendaciones agronómicas responsables.
Fuentes referenciales:
Phys.org
Universidad Charles Darwin
Neural Computing and Applications
