Resumen

Christian Israel Ruiz-Coba
Maestría en Tecnologías de Internet,
Facultad de Telemática de la Universidad de Colima.
Esta dirección de correo electrónico está siendo protegida contra los robots de spam. Necesita tener JavaScript habilitado para poder verlo.

Juan Antonio Guerrero-Ibáñez
Profesor de tiempo completo,
Facultad de Telemática de la Universidad de Colima.
Esta dirección de correo electrónico está siendo protegida contra los robots de spam. Necesita tener JavaScript habilitado para poder verlo.

En noviembre de 2022, la población a nivel mundial rebasó los ocho mil millones de personas. Este crecimiento descontrolado genera serios problemas a la sociedad. Para muchos intelectuales, el crecimiento representa el mayor problema para la humanidad, dudando si se tendrá la capacidad para producir el alimento necesario en el futuro. El impacto directo de este crecimiento de la población se ve reflejado en el número de personas que reciben una alimentación correcta.

El Banco Mundial estima que más de 258 millones de personas sufren de escasez de alimentos. La seguridad alimentaria es la situación donde todas las personas tienen a su alcance alimentos suficientes y de calidad nutricional para satisfacer sus necesidades alimenticias.

La Organización de las Naciones Unidas para la Agricultura y la Alimentación (FAO) estima que cada año las enfermedades en los cultivos ocasionan pérdidas cercanas al 40 % de la producción total, poniendo en peligro la seguridad alimentaria. Las enfermedades pueden ser infecciosas (ocasionadas por microorganismos como hongos, virus y bacterias) y no infecciosas (generadas por factores ambientales desfavorables como las altas o bajas temperaturas, trastornos fisiológicos o daños directos por herbicidas).

El problema de las enfermedades en las plantas es un desafío global y está estrechamente relacionado con la seguridad alimentaria. Sin importar las fronteras geográficas, los recursos disponibles o la tecnología utilizada, las enfermedades de las plantas no solamente comprometen la seguridad alimentaria, sino que también impactan directamente a los productores, reduciendo significativamente la calidad y la cantidad de la producción, teniendo como consecuencia una disminución considerable de sus ingresos monetarios. Por lo tanto, es importante detectar y controlar estas enfermedades de manera efectiva y temprana para evitar pérdidas económicas y garantizar la seguridad alimentaria.

En la actualidad, la detección de enfermedades en los cultivos se realiza mediante la observación visual de síntomas, lo que puede ser subjetivo y requerir la experiencia de los expertos. Además, el diagnóstico visual solo es efectivo en casos avanzados de enfermedad y no permite su detección temprana. Otro método es el análisis de muestras en laboratorios especializados; sin embargo, estos métodos están sujetos a tiempos largos en el procesamiento de las muestras o también a errores humanos.

En los últimos años, la tecnología se ha convertido en una herramienta poderosa para la detección temprana de enfermedades en plantas. En específico, la inteligencia artificial y sus ramificaciones, se están aplicando en el área agrícola para la detección de enfermedades en los cultivos. Mediante esta tecnología se analizan grandes cantidades de imágenes de manera eficiente y precisa para detectar patrones en las hojas y en los frutos que conduzcan a la detección temprana de enfermedades en los cultivos. Se han desarrollado mecanismos de inteligencia artificial altamente eficientes para identificar enfermedades en plantas. Estos mecanismos son conocidos como aprendizaje automático. La pregunta es: ¿En qué consiste el aprendizaje automático?

El proceso de aprendizaje automático es una técnica que se usa para que un sistema adquiera las habilidades de un aprendizaje continuo mediante el uso de una gran cantidad de datos como fuente de entrada de conocimiento. Este aprendizaje le permite al sistema hacer predicciones sin necesidad de ser programados de forma explícita. En el proceso de aprendizaje automático, las enfermedades y plagas de las plantas suelen ser conceptos de la experiencia humana más que una definición puramente matemática. Dentro del aprendizaje automático, la detección de enfermedades en los cultivos se puede dividir en tres niveles: clasificación, detección y segmentación.

El nivel de clasificación es aquel que responde a la pregunta «¿Qué?», y se encarga de mostrar como resultado la categoría a la que pertenece la imagen que está siendo analizada. En este primer nivel se describe de manera global la imagen, analizando las características de las mismas y determinando si existe algún tipo de objeto que indique un tipo de enfermedad detectada, o bien, que está en la categoría de planta sana.

El segundo nivel corresponde a la detección, que responde a la pregunta «¿Dónde?», es decir, en caso de detectar una posible enfermedad, indica dónde está localizada dentro de la imagen analizada. En este segundo nivel no solo se conoce el tipo de enfermedad dentro de la imagen analizada, sino que también se debe ubicar la localización exacta. Generalmente, esta posición se marca a través de un rectángulo, indicando el nombre de la categoría detectada y el porcentaje estimado de exactitud.

El tercer nivel hace referencia a la segmentación, la cual contesta la pregunta «¿Cómo?». En este caso, todas las lesiones ocasionadas por la enfermedad se marcan en la imagen punto a punto, proporcionando al usuario mayor información acerca de la enfermedad, lo que ayuda a evaluar el nivel de gravedad de la enfermedad.

El aprendizaje automático ejecuta una serie de fases para lograr la automatización del proceso. La primera fase es la preparación de los datos que son la fuente de entrada para que el sistema pueda adquirir los conocimientos para realizar predicciones. Para esta etapa, se combinan datos desde varias fuentes, se da el formato adecuado y se definen de las características relevantes. Es fundamental separar las partes enfermas de las plantas al analizar imágenes para distinguir los elementos importantes de una imagen del resto.

La etapa dos será la creación del modelo. El modelo es un archivo que contiene un algoritmo para aprender características específicas de una fuente de datos. Posteriormente, el modelo debe entrenarse, es decir, el sistema comienza a aprender las características relevantes que marcamos durante la preparación de los datos. El entrenamiento reduce y especifica los datos necesarios para aprender de la mejor forma posible. Las características que identifica y aprende el sistema le permiten hacer predicciones cuando ya se prueba con nuevos datos.

La fase de validación evalúa la viabilidad de los datos y analiza la confiabilidad del modelo desarrollado. Para validar los datos, se dividen en subconjuntos y se aplica al modelo, obteniendo valores de precisión por cada subconjunto de datos, comprobando la calidad de los datos. Esta fase se utiliza para corregir errores en el modelo con el objetivo de obtener mejores resultados. Finalmente, tenemos la fase de integración del modelo al sistema con el objetivo de llevar a cabo pruebas en entornos reales.

La aplicación de estos modelos de aprendizaje automático tiene un impacto positivo en la industria agrícola. Una forma de aplicar estos modelos de aprendizaje es a través de herramientas digitales como aplicaciones móviles, las cuales brindan asesoramiento a los productores en relación con sus cultivos, a la vez que les permiten hacer diagnósticos de enfermedades, lo cual les ayuda a tomar medidas correctivas.

Esta herramienta resulta especialmente beneficiosa para aquellos productores que no tienen los recursos económicos para contratar expertos que monitoreen sus cultivos, o que carecen del conocimiento necesario para identificar enfermedades.

A pesar de los avances logrados en estos métodos visuales, la detección de enfermedades en plantas en entornos del mundo real sigue siendo un desafío. Existen varios retos que deben considerarse para mejorar las técnicas, uno de ellos son los datos mejorados. El conjunto de datos utilizados para el entrenamiento debe ser suficiente, contener una gran cantidad de imágenes y que esa cantidad esté distribuida balanceadamente entre todas las categorías de enfermedades que se desean detectar. Si no se tiene un balance correcto, la detección no será tan confiable.

Otro de los retos está relacionado con la diversidad de enfermedades, lo que puede ocasionar una disminución en los resultados obtenidos cuando se aplica a un escenario real. Se necesita entrenar a los modelos de aprendizaje automático con una enorme cantidad de datos de las diferentes enfermedades acorde al cultivo, lo que impactaría en tiempos de entrenamiento y en demanda de equipo de cómputo sofisticado.

Finalmente, se podrían obtener resultados erróneos debido a que existen similitudes en las propiedades causadas tanto por factores infecciosos como no infecciosos. Esto se puede solventar por medio de la introducción de mayor información relacionada, por ejemplo, con clima, geografía, tipos de fertilizantes usados, entre otras cosas. Esta información complementaria puede incrementar la precisión en la detección de la enfermedad correcta.

AGRIO. (2019). Aplicación para identificar enfermedades y plagas en las plantas. https://agrio.app/App-para-identificar-enfermedades-y-plagas-en-las-plantas/

GOV.CO. (2019). La inteligencia artificial ayuda a los productores de banano a proteger la fruta favorita del planeta. https://www.agronet.gov.co/Noticias/Paginas/La-inteligencia-artificial-ayuda-a-los-productores-de-banano-a-proteger-la-fruta-favorita-del-planeta.aspx

Universitat de Barcelona. (2022). La inteligencia artificial, base de una aplicación para detectar enfermedades y plagas en cultivos hortícolas. https://web.ub.edu/es/web/actualitat/w/la-inteligencia-artificial-base-de-una-aplicacion-para-detectar-enfermedades-y-plagas-en-cultivos-horticolas