Investigadores de Embrapa Instrumentación (SP) han desarrollado un método que utiliza sensores de imagen e inteligencia artificial para detectar la oruga de cartucho, una de las plagas más destructivas en el cultivo de maíz. El sistema analiza imágenes digitales para identificar la oruga tanto en hojas como en mazorcas, reduciendo la dependencia de métodos de observación tradicionales, laboriosos y subjetivos.
El maíz es uno de los cereales más cultivados del mundo y la oruga de cartucho puede causar pérdidas de hasta el 70% de la producción, según investigadores de Embrapa. La oruga ataca los cultivos tanto en la etapa vegetativa como reproductiva.
Una Alternativa Prometedora
La metodología se detalló en la revista Electronics en el artículo “Enfoque de Inteligencia Computacional para el Control del Gusano Cogollero en el Cultivo de Maíz”, de Alex Bertolla y Paulo Cruvinel. Los autores señalaron que las discrepancias entre los métodos de detección actuales y los resultados deseados motivaron el desarrollo de una alternativa para la detección temprana de plagas en áreas cultivadas, según un comunicado de prensa.
Bertolla explicó que el estudio se centra en reconocer y clasificar los patrones dinámicos de la oruga de cartucho, que ataca no solo al maíz, sino también a otros cultivos como la soja y el algodón. Este enfoque puede proporcionar a agrónomos y laboratorios herramientas más precisas para la detección y el monitoreo de plagas.
Para simplificar la captura de imágenes, se puede conectar una cámara básica a los implementos agrícolas para registrar la presencia de la oruga mientras se trabaja en el campo. La cámara no tiene por qué ser costosa; solo necesita producir imágenes con la suficiente alta resolución para un análisis eficaz.
Integración de Procesos
El método combina procesamiento digital de imágenes y señales, estadística multivariante, aprendizaje automático y visión artificial. “El aprendizaje automático permite que los sistemas aprendan de datos de entrenamiento personalizados para automatizar y resolver tareas relacionadas. En este marco, el aprendizaje profundo es una rama especializada del aprendizaje automático que utiliza redes neuronales artificiales compuestas por capas específicas para cada propósito”, explica Cruvinel.
Bertolla añade que el algoritmo computacional puede analizar imágenes digitales de la oruga en diversas etapas de crecimiento de las plantas de maíz, determinando tanto su etapa de desarrollo como su frecuencia de aparición en el campo. El programa se desarrolló en Python, un lenguaje de programación de alto nivel ampliamente utilizado en aplicaciones de ciencia de datos y aprendizaje automático.
Base para Estudios Futuros
Cruvinel y Bertolla señalan que la calidad de los resultados respalda la recomendación de utilizar una estructura basada en aprendizaje profundo. Se evaluó la exactitud, precisión, tiempo de procesamiento y rendimiento del hardware de los datos en el escenario propuesto.
“El método también arrojó resultados prometedores en términos de rendimiento del hardware y tiempo de procesamiento, lo que podría respaldar futuros esfuerzos para desarrollar una versión integrada de esta tecnología para su integración directa en implementos agrícolas”, explica Cruvinel.
Para trabajos futuros, sugieren incorporar técnicas adicionales de inteligencia artificial para la detección de plagas y la clasificación de patrones, incluyendo enfoques de aprendizaje no supervisado. También proponen el uso de una cámara multiespectral montada en un vehículo aéreo no tripulado (UAV) para permitir el monitoreo y la detección en tiempo real en el campo.
