Los tomates son una fuente fundamental de nutrientes y siguen siendo una de las frutas más cultivadas en todo el mundo. Sin embargo, las prácticas intensivas en invernaderos aumentan la susceptibilidad a las enfermedades, que pueden reducir los rendimientos hasta en un 30 % y degradar la calidad de la fruta.
Los métodos tradicionales de monitoreo de plantas requieren mucha mano de obra y, a menudo, son ineficaces en condiciones reales debido a desafíos ambientales como la iluminación variable y la complejidad del fondo. De acuerdo con éstas evaluaciones, una innovación generada en China, que integra la detección de enfermedades y el recuento de frutas en tiempo real, promete mejorar las prácticas de producción sostenibles para uno de los cultivos más vitales del mundo.
Según Shangpeng Sun, investigador principal de la referida innovación:
“La detección temprana de enfermedades y la estimación precisa del rendimiento son fundamentales para la agricultura sostenible. Nuestro sistema integrado representa un avance significativo, ya que ofrece un control rápido y preciso que se puede adaptar a múltiples cultivos más allá del tomate”.
La investigación 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 completo y se visualizaron las distribuciones de confianza para hojas enfermas, hojas sanas y tomates mediante gráficos de violín. Los resultados mostraron que una mayor complejidad de la red generalmente mejoró la precisión de la detección.
RENDIMIENTO
Específicamente, YOLOX-M logró un rendimiento óptimo, con puntajes de confianza de detección de hojas concentrados alrededor de 0,9, mientras que YOLOX-N demostró un rendimiento más débil, con puntajes que oscilaron entre 0,2 y 0,7, probablemente debido a su estructura liviana.
Tanto NanoDet como YOLO-TGI mostraron tendencias similares, manteniendo puntuaciones sólidas por encima de 0,4. El modelo YOLOX tuvo la velocidad de inferencia más rápida con 32,35 ms y la precisión media promedio (mAP) más alta de 0,85, mientras que NanoDet presentó el tamaño de modelo más pequeño y YOLO-TGI logró los FLOP y pesos de punto de control más bajos.
Para el seguimiento de la fruta, la combinación de YOLO-TGI-S con Byte-Track brindó un rendimiento superior, con un R² de 0,93 y un RMSE de 9,17. Por el contrario, NanoDet-S y FairMot registraron el R² más bajo de 0,34. Los desafíos incluyeron oclusiones, variaciones de iluminación ambiental y cambio de ID en transmisiones de video, mitigados mediante una estrategia de filtrado de ID.
ESTIMACION
En general, YOLO-TGI-S emparejado con Byte-Track surgió como la configuración más efectiva, ofreciendo una solución de alta velocidad y precisa para el monitoreo en tiempo real del crecimiento de la planta de tomate y la estimación del rendimiento.
Se ha evaluado que ésta investigación marca un gran avance en el monitoreo agrícola automatizado.
Además, al ofrecer una solución escalable, eficiente y de alta velocidad para la detección de enfermedades y la evaluación del rendimiento, el sistema tiene el potencial de transformar las prácticas agrícolas modernas y respaldar los esfuerzos mundiales en materia de seguridad alimentaria.
Se informó que esta investigación fue parcialmente financiada por el Programa Nacional de Investigación y Desarrollo Clave de China (2022YFD2100601), el Programa de Investigación y Desarrollo Clave de la Provincia de Jiangsu (BE2021379), la Innovación Agrícola Independiente de la Provincia de Jiangsu (CX225009), la Fundación Nacional de Ciencias Naturales de China (32102081) y Fonds de Recherche du Québec Nature et Technologies (FRQNT) Programme de recherche en partenariat—Agriculture durable (subvención n.º G259806 FRQ-NT 322853 X-Coded 259432).
Por Sergio Peña Herrera
