Los investigadores han logrado avances significativos en el campo de la inteligencia artificial al aplicar técnicas de aprendizaje profundo para automatizar la detección y clasificación de enfermedades de las hojas de los cultivos.
por la Academia China de Ciencias
Las altas temperaturas y la humedad constantes de las zonas tropicales crean un entorno ideal para la proliferación de enfermedades de las plantas, lo que supone una amenaza importante para la seguridad alimentaria. Los métodos tradicionales de detección de enfermedades, que se basan en el trabajo manual y la observación de expertos, requieren mucho tiempo, son caros y, a menudo, no son viables en las explotaciones agrícolas a gran escala.
La introducción de modelos de detección de enfermedades basados en aprendizaje profundo ofrece una solución más eficiente y rentable que puede identificar enfermedades en una etapa temprana, lo que permite una intervención oportuna.
Un estudio que investiga estos modelos, publicado en Tropical Plants , tiene implicaciones de largo alcance para la agricultura tropical.
El estudio emplea técnicas de aprendizaje profundo , un subcampo del aprendizaje automático, para optimizar automáticamente los modelos computacionales para tareas como la detección de objetos, la localización y la clasificación de imágenes. Estos modelos, que utilizan métodos como el descenso de gradiente estocástico y el optimizador Adam, mejoran la eficiencia al eliminar la necesidad de diseñar parámetros manualmente, lo que agiliza el proceso de extracción de características.
A diferencia de los métodos tradicionales de aprendizaje automático que requieren ingeniería de características manual, los modelos de aprendizaje profundo aprenden de forma autónoma a partir de datos complejos, lo que los hace más adecuados para manejar grandes conjuntos de datos y automatizar tareas. Los modelos aprovechan arquitecturas como las redes neuronales convolucionales (CNN), You Only Look Once (YOLO) y Single Shot Multibox Detector (SSD), que se destacan en la detección y clasificación de enfermedades de las hojas de los cultivos con gran precisión.
Los resultados de este método son prometedores: la precisión de reconocimiento supera el 90 % en la mayoría de los casos y algunos modelos alcanzan una precisión de más del 99 %. Las capacidades de extracción automática de características de los modelos de aprendizaje profundo permiten una detección eficiente de enfermedades en entornos agrícolas del mundo real, incluidas las regiones tropicales donde las enfermedades de las plantas se propagan rápidamente.
Estos modelos no solo son confiables, sino también rentables, ya que reducen los costos laborales asociados con la identificación manual de enfermedades. Además, la capacidad de implementar modelos entrenados en dispositivos móviles para el monitoreo en tiempo real mejora la accesibilidad para usuarios no expertos, lo que contribuye a la prevención oportuna de enfermedades, mejora el rendimiento de los cultivos y promueve las prácticas de agricultura de precisión en áreas tropicales.
Según uno de los investigadores del estudio, Huang Mengxing, «los modelos de aprendizaje profundo proporcionan una precisión y una velocidad incomparables en la detección de enfermedades de las hojas. Al implementar estos modelos en la agricultura tropical, podemos mejorar significativamente la gestión de los cultivos, reducir los costos laborales y promover prácticas agrícolas sostenibles».
La integración de modelos de aprendizaje profundo en la agricultura tropical ofrece una herramienta poderosa para combatir enfermedades de las plantas , mejorar la productividad y promover la sostenibilidad. Con más investigación y perfeccionamiento, estos sistemas impulsados por IA podrían convertirse en una piedra angular de las prácticas agrícolas modernas, en particular en regiones donde los brotes de enfermedades plantean una amenaza importante para la seguridad alimentaria.
El futuro de la agricultura radica en la integración perfecta de la tecnología, y los modelos de aprendizaje profundo para la detección de enfermedades de las hojas representan un gran paso adelante en esta dirección.
Más información: Zhiye Yao et al, Aprendizaje profundo en la detección de enfermedades de las hojas tropicales: ventajas y aplicaciones, Plantas tropicales (2024). DOI: 10.48130/tp-0024-0018
