En un reciente estudio llevado a cabo por investigadores del VNR Vignana Jyothi Institute of Engineering and Technology en Hyderabad, India, se han aplicado modelos de redes neuronales para clasificar enfermedades foliares en plantas multicultivo, utilizando imágenes de alta resolución. La aplicación de las redes neuronales convolucionales (CNN) y de memoria a corto y largo plazo (LSTM) ha demostrado ser altamente eficaz para identificar más de 38 clases diferentes de enfermedades en un conjunto de datos que contiene más de 87,000 imágenes de hojas.
Para llevar a cabo esta investigación, se empleó un conjunto de datos exhaustivo que incluye 70,295 imágenes de entrenamiento y 17,572 de validación. Las imágenes corresponden a 38 especies vegetales, entre las que se encuentran cultivos comunes como el maíz, la papa y la manzana, permitiendo clasificar las hojas tanto como sanas o afectadas por una enfermedad específica.
Los modelos de CNN utilizaron un optimizador Adam con una tasa de aprendizaje de 0.0001 y lograron una impresionante precisión de entrenamiento del 99.1% y una precisión de validación del 96.4%. Por su parte, el modelo LSTM alcanzó una precisión de validación de 93.43%. La evaluación del desempeño de estos modelos mediante precisión, recuerdo, F1-score y la matriz de confusión han confirmado la alta fiabilidad del enfoque basado en CNN, subrayando su potencial para aplicaciones prácticas en monitoreo agrícola.
El reconocimiento automático de enfermedades foliares mediante inteligencia artificial representa una herramienta poderosa para la agricultura de precisión. La implementación de esta tecnología podría revolucionar los métodos tradicionales de diagnóstico, que suelen ser tediosos y propensos a errores humanos. Con una precisión del 99.8% del modelo, se sugiere que las CNN, en específico, permiten una solución efectiva, precisa y escalable para la clasificación de enfermedades en plantas.
La robustez del modelo y su capacidad para mejorar las prácticas agrícolas llaman a la presentación de un sistema práctico y escalable para la detección automática de enfermedades que podría apoyar técnicas agrícolas, minimizar las pérdidas de cultivos y contribuir a la seguridad alimentaria a largo plazo.
Con el paso del tiempo, la investigación en algoritmos de aprendizaje profundo sigue progresando, intentando abordar desafíos como la variabilidad en las condiciones de luz y la diferencia entre las especies vegetales. Sin embargo, esta investigación resalta el notable avance que la inteligencia artificial representa para la agricultura moderna, ofreciendo mejores medios para enfrentar los persistentes problemas que las enfermedades de las plantas suponen para la agricultura.