Las enfermedades de las plantas representan una amenaza significativa para las naciones de todo el mundo, debido a la carga financiera que imponen y el impacto que tienen en la seguridad alimentaria.
por la Universidad Agrícola de NanJing
Los cultivos saludables sustentan millones de medios de vida, y el diagnóstico preciso de las enfermedades de las plantas permite intervenciones oportunas para garantizar una producción de cultivos suficiente con una pérdida mínima de rendimiento.
Los enfoques tradicionales para el reconocimiento de enfermedades suelen seguir dos caminos. El primero se basa en la inspección de cultivos por parte de expertos capacitados, mientras que el segundo aprovecha las redes neuronales y el procesamiento de imágenes. Sin embargo, ambas opciones tienen sus limitaciones. Si bien los expertos capacitados brindan sus opiniones luego de una inspección manual propensa a errores y que requiere mucho tiempo, los métodos de procesamiento de imágenes convencionales extraen información superficial y necesitan capacitación previa para obtener mejores predicciones.
Esto implica que es difícil hacer predicciones consistentes a medida que aumenta la complejidad de la información.
En este sentido, las redes neuronales, colecciones de algoritmos que detectan relaciones subyacentes en los datos, han arrojado resultados prometedores en la clasificación de enfermedades de las plantas. La advertencia es la falta de datos de entrenamiento adecuados. Una buena recopilación de datos es posible en entornos controlados, pero no trivial en el mundo real. En el campo, las enfermedades pueden ser raras o no fáciles de observar.
Además, las muestras de enfermedades pueden tener fondos complejos, formas y oclusiones variables. Los clasificadores de enfermedades basados en redes neuronales también tienen una capacidad limitada para aplicar el conocimiento a nuevos conjuntos de datos después del entrenamiento.
Ahora, un equipo de investigadores ha desarrollado una red neuronal nueva y relativamente simple llamada ‘Red de adaptación de subdominios de representación múltiple con regularización de incertidumbre para la clasificación de enfermedades de plantas entre especies’ (MSUN), que clasifica con precisión las enfermedades de las plantas en entornos naturales.
Para hacerlo, aplicaron una técnica de transferencia de aprendizaje llamada adaptación de dominio no supervisada (UDA) para suavizar el proceso de identificación de enfermedades de las plantas. El estudio fue dirigido por el Profesor Asociado Xijian Fan de la Universidad Forestal de Nanjing y fue publicado en Plant Phenomics .
El profesor asociado Fan, quien también es el autor correspondiente del estudio, explica: “UDA permitió que nuestro modelo aplicara lo que había aprendido durante el entrenamiento a un conjunto de datos diferente sin anotaciones. Capacitamos a MSUN para clasificar las enfermedades de las plantas en el entorno controlado de un laboratorio. Ahora puede usar UDA para clasificar las enfermedades de las plantas en entornos de campo complejos”.
El enfoque del equipo para aprovechar UDA en la clasificación de enfermedades de las plantas representa un cambio de paradigma , ya que supera las deficiencias de los enfoques actuales basados en UDA. Primero, las imágenes recopiladas en el campo son complejas: tienen varias hojas, ángulos de disparo de cámara extraños y pueden estar borrosas. Se espera que los clasificadores basados en UDA procesen esta información confusa para una clasificación precisa de la enfermedad.
En segundo lugar, estos clasificadores no pueden hacer predicciones cuando se enfrentan a plantas afectadas por diferentes estados de enfermedad, infecciones en diferentes momentos o en múltiples sitios. En tercer lugar, los clasificadores enfrentan un desafío significativo cuando pueden ocurrir manifestaciones de enfermedades similares. Esto sucede cuando múltiples agentes de enfermedades infectan una sola especie de planta o cuando un solo agente de enfermedad infecta múltiples especies de plantas.
“MSUN es un clasificador de enfermedades más capaz cuando aprende la estructura general de las características de las enfermedades de las plantas. Además, captura más detalles de la información que recibe”, dice el profesor asociado Fan sobre las ventajas del nuevo método. El estudio encontró que MSUN no se vio obstaculizado por la discrepancia que ocurre cuando se recopila la misma información en un entorno controlado versus un entorno de campo.
Es importante destacar que el grupo validó la precisión de la clasificación de enfermedades de MSUN utilizando múltiples conjuntos de datos complejos de enfermedades de plantas. Cuando se probó con datos de las bases de datos PlantDoc, Plant-Pathology, Corn-Leaf-Diseases y Tomato-Leaf-Diseases, MSUN sobresalió y superó a la cosecha actual de clasificadores.
El grupo es optimista sobre las perspectivas de MSUN, dada su capacidad para procesar conjuntos de datos desafiantes. Confían en que puede superar la incertidumbre inherente de los clasificadores de enfermedades actuales y que ayudará a futuras investigaciones en patología vegetal al proporcionar información importante sobre los problemas del reconocimiento de enfermedades.
Más información: Xinlu Wu et al, Del laboratorio al campo: Adaptación de dominio no supervisada para el reconocimiento de enfermedades de las plantas en la naturaleza, Plant Phenomics (2023). DOI: 10.34133/plantafenómica.0038
