Detección de enfermedades de plantas con IA y drones

Por qué la IA y los drones darán forma al futuro de la detección de enfermedades de las plantas y la seguridad alimentaria global

Por Khawla Almazrouei, Ingeniero de Robótica, Technology Innovation Institute

Asegurar un suministro de alimentos estable y sostenible es uno de los desafíos más apremiantes del siglo XXI, pero la innovación en la detección de enfermedades de las plantas puede ofrecer soluciones para fortalecer la resiliencia agrícola.

Como se proyecta que la población mundial alcanzará los 10.300 millones en 2100, la seguridad alimentaria permanece bajo la amenaza constante de las enfermedades de las plantas, que causan pérdidas significativas de cultivos, interrumpen las cadenas de suministro y socavan la sostenibilidad agrícola.

Cada año, se pierde hasta el 40% de la producción mundial de cultivos debido a las plagas y enfermedades de las plantas, lo que le cuesta a la economía global aproximadamente $ 220 mil millones, según la organización de alimentos y agrícolas.

Las naciones que dependen en gran medida de las importaciones de alimentos, como los EAU, son particularmente vulnerables a las interrupciones de la cadena de suministro que pueden ser causadas por enfermedades de las plantas. Avanzar en los métodos de detección es crucial para mitigar estos riesgos y garantizar la seguridad alimentaria.

Deficiencias de métodos tradicionales

Los métodos tradicionales de detección de enfermedades de las plantas generalmente dependen de la inspección visual por parte de agricultores experimentados y expertos agrícolas, análisis que compara la reflectancia de la luz de las plantas sanas e infectadas, y los métodos moleculares que permiten la amplificación y cuantificación del ADN de patógenos dentro de los tejidos vegetales.

Si bien estos métodos pueden ser efectivos, a menudo son ineficientes, costosos y de mano de obra.

A medida que avanza la investigación, los métodos de detección deben ser más accesibles, precisos y escalables.

Investigaciones recientes del Centro de Investigación de Robótica Autónoma de Innovación Tecnológica y la Universidad de Sharjah en Abu Dhabi destacan el potencial de los métodos basados ​​en IA para mejorar la detección.

El estudio, Una revisión exhaustiva sobre avances de aprendizaje automático para la detección y clasificación de la enfermedad de las plantasidentifica el análisis basado en imágenes utilizando el aprendizaje automático, particularmente el aprendizaje profundo, como el enfoque más prometedor.

Modelos más eficientes

Los modelos de aprendizaje automático pueden analizar imágenes de hojas, frutas o tallo para detectar enfermedades basadas en características como color, textura y forma. Entre las técnicas más utilizadas, las redes neuronales convolucionales (CNN) extraen características visuales con alta precisión, mejorando significativamente la clasificación de la enfermedad.

Algunos modelos combinan diferentes técnicas, como el bosque aleatorio e histograma de gradientes orientados (HOG), para mejorar aún más la precisión. Sin embargo, los CNN requieren que los conjuntos de datos extensos sean efectivos, lo que plantea un desafío para los entornos agrícolas con datos etiquetados limitados.

A medida que avanza la innovación, las tecnologías más nuevas como Vision Transformers (VIT) han mostrado un potencial aún mayor. Originalmente diseñado para el procesamiento del lenguaje natural, los VIT aplican mecanismos de autoatición a las imágenes, lo que les permite procesar imágenes completas como secuencias de parches. A diferencia de los CNN, que se centran en las características de la imagen local, los VIT pueden capturar relaciones globales en una imagen completa.

Los VIT presentan varias ventajas. Son muy precisos, son escalables ya que pueden analizar vastas conjuntos de datos y, a diferencia de los modelos tradicionales de aprendizaje profundo, ofrecen más transparencia en sus procesos de toma de decisiones.

Los modelos híbridos que combinan CNN y VIT también han demostrado que pueden aumentar significativamente el rendimiento y la precisión. Por ejemplo, CropVit es un modelo de transformador liviano que puede lograr una notable precisión del 98,64% en la clasificación de la enfermedad de las plantas.

Para mejorar el monitoreo a gran escala, los drones equipados con cámaras con IA presentan una solución prometedora para la detección de enfermedades en tiempo real. Al capturar imágenes de alta resolución y analizarlas utilizando el aprendizaje automático, los drones pueden detectar enfermedades temprano, reduciendo la dependencia de las inspecciones manuales y mejorando los tiempos de respuesta.

Desde la investigación hasta el impacto del mundo real

A pesar del progreso y la innovación, quedan varios desafíos para llevar la detección de enfermedades de la planta a base de IA a una adopción generalizada.

Muchos modelos de IA están capacitados en conjuntos de datos limitados que no reflejan completamente las condiciones agrícolas del mundo real.

A diferencia de los entornos de laboratorio controlados, los entornos agrícolas del mundo real introducen factores impredecibles, como condiciones de luz variables, calidad del suelo y patrones climáticos, que pueden afectar la precisión del modelo de IA.

Para mejorar aún más los modelos de IA, deben ser entrenados en diversos conjuntos de datos que abarquen varias especies de plantas, tipos de enfermedades y condiciones ambientales y deben optimizarse para desempeñarse de manera confiable entre diversas geografías, tipos de cultivos y prácticas agrícolas.

Para realizar plenamente estos avances y contribuir a la seguridad alimentaria global, todos los interesados, incluidos los investigadores, las empresas agritech y los formuladores de políticas deben colaborar para desarrollar conjuntos de datos estandarizados para capacitación de IA, refinar modelos de IA e integrar soluciones escalables.

Al promover métodos innovadores y abordar los desafíos existentes, la detección de enfermedades de las plantas impulsadas por la IA puede hacer la transición de una investigación prometedora al impacto del mundo real, fortaleciendo la resistencia de la agricultura global y asegurando el futuro de la producción de alimentos.

Leer más:

Ing. Khawla Almazrouei es ingeniero de robótica en el Centro de Investigación de Robótica Autónoma (ARRC) bajo el Instituto de Innovación Tecnológica (TII) En Abu Dhabi, especializado en percepción, fusión de sensores e IA para vehículos terrestres no tripulados. Con experiencia en ingeniería informática y IA de la Universidad de los Emiratos Árabes Unidos y una maestría de la Universidad de Sharjah, se centra en la evitación dinámica de obstáculos, el aprendizaje de refuerzo para la planificación de rutas y la arquitectura de sensores. Su investigación, publicada en las principales revistas y conferencias, avanza la aceleración de hardware, los algoritmos de percepción e integración del sensor en tiempo real, mejorando el rendimiento de UGV en entornos desafiantes.

Miriam McNabb es la editora en jefe de Dronelife y CEO de Jobfordrones, un mercado profesional de servicios de drones y un observador fascinado de la industria de drones emergentes y el entorno regulatorio para los drones. Miriam ha escrito más de 3.000 artículos centrados en el espacio comercial de drones y es una oradora internacional y una cifra reconocida en la industria. Miriam tiene un título de la Universidad de Chicago y más de 20 años de experiencia en ventas y marketing de alta tecnología para nuevas tecnologías.
Para consultoría o escritura de la industria de drones, Envíe un correo electrónico a Miriam.

GORJEO:@spaldingbarker

Suscríbete a Dronelife aquí.