El seguimiento agronómico automatizado de los invernaderos de tomates es un componente importante de la producción intensiva moderna.
Los tomates son ricos en nutrientes esenciales para la salud, lo que los convierte en una de las verduras más populares en todo el mundo.
Con la creciente introducción de métodos de cultivo modernos y tecnologías avanzadas para la fertilización automatizada en invernaderos, se ha producido un aumento notable tanto en el rendimiento como en la calidad de los tomates.
Sin embargo, debido a los métodos de siembra intensiva utilizados, varias enfermedades contagiosas tienen el potencial de propagarse rápidamente entre las plantas de tomate, lo que representa una amenaza importante para la producción sostenible. Así, las pérdidas directas en la producción de tomates en invernadero atribuidas a diversas enfermedades pueden superar aproximadamente el 30%. Además, las enfermedades que afectan al follaje pueden extenderse a la superficie del fruto, dando como resultado la deformación del fruto y teniendo por tanto un efecto perjudicial sobre el valor económico.
En respuesta a estos desafíos, se han implementado varios enfoques de inteligencia artificial y visión por computadora para abordar el problema de la detección y el análisis de enfermedades en las plantas de tomate.
Dado que los primeros síntomas de algunas enfermedades de las plantas aparecen en las hojas, el uso de varios algoritmos para la evaluación e identificación de las hojas demuestra ser una herramienta más eficaz para determinar el estado de salud de la planta.
Se creó un conjunto de datos conocido como Plant Village, que incluye docenas de enfermedades del tomate, y se utilizó para evaluar varias redes neuronales convolucionales (CNN) de referencia. Se han implementado muchos algoritmos de clasificación, como LeNet y ResNet, para caracterizar enfermedades de las hojas y han logrado resultados de precisión sobresalientes.
Sin embargo, las dificultades prácticas de cultivar tomates en el mundo real de los invernaderos introducen un mayor nivel de complejidad. Se ha demostrado que las fluctuaciones dinámicas debidas a factores como las condiciones de iluminación, la densidad de las plantas y el crecimiento complejo de las hojas plantean desafíos para el rendimiento de dichos algoritmos en aplicaciones del mundo real.
Para abordar esto, un equipo internacional de investigadores de China y Canadá ha creado un innovador sistema de monitoreo para tomates de invernadero integrando la detección de enfermedades y el recuento de frutos en tiempo real, dijo la Academia de Ciencias de China en un comunicado.
El estudio utilizó los algoritmos YOLOX, NanoDet y YOLO-TGI para evaluar la precisión de la detección de enfermedades del tomate y el recuento de frutos. Se probaron varios detectores en un conjunto de datos complejo y se visualizaron distribuciones de confianza para hojas enfermas, hojas sanas y tomates mediante gráficos de violín.
Los resultados mostraron que la creciente complejidad de la red generalmente mejoraba la precisión de la detección: YOLO-TGI-S combinado con Byte-Track fue la configuración más efectiva, ofreciendo una solución precisa y de alta velocidad para el monitoreo del crecimiento del tomate y la estimación del rendimiento en tiempo real.
Según el investigador principal del estudio, el Dr. Shangpeng Sun, “la detección temprana de enfermedades y la evaluación precisa del rendimiento de los cultivos son fundamentales para la agricultura sostenible. Nuestro sistema integrado representa un importante paso adelante, ya que ofrece un seguimiento preciso y de alta velocidad que puede adaptarse a una variedad de cultivos además de los tomates. En particular, el rendimiento de la serie YOLO se debe principalmente a su arquitectura liviana, lo que la hace excepcionalmente adecuada para la implementación de aplicaciones”.
Este estudio marca un gran avance en el monitoreo agrícola automatizado. Al ofrecer una solución escalable, eficiente y de alta velocidad para la detección de enfermedades y la evaluación del rendimiento de los cultivos, el sistema tiene el potencial de transformar las prácticas agrícolas modernas y apoyar los esfuerzos globales de seguridad alimentaria.
Fuente: Academia China de Ciencias.
En la imagen del título se ve el proceso de obtención de una imagen en un campo de tomates. (A) Sistema de imágenes. Se utiliza una plataforma autónoma equipada con la cámara de un teléfono inteligente para capturar imágenes y escaneos de video de plantas de tomate. (B) Ejemplos representativos de imágenes etiquetadas. Este conjunto de datos está anotado a través de la plataforma Roboflow. (C) Categorías del conjunto de datos. El conjunto de datos muestra ejemplos de hojas no saludables, hojas sanas y frutos de tomate. Fuente: Fenómica vegetal (2024). DOI: 10.34133/plantphenomis.0174.
