IA y drones para detectar la resistencia al tizón del arroz
Un equipo de investigadores diseñó un sistema basado en drones e inteligencia artificial que combina imágenes visibles e infrarrojas para identificar el avance de esta enfermedad agrícola.
El tizón del arroz representa una de las mayores amenazas para la seguridad alimentaria a nivel global. Para combatir sus efectos en la producción agrícola, un equipo de investigación chino desarrolló un método avanzado que utiliza drones e inteligencia artificial para evaluar la resistencia de los cultivos ante esta enfermedad con alta precisión.
El trabajo, publicado en la revista científica Plant Phenomics, fue llevado a cabo de forma conjunta por especialistas de la Universidad Normal Politécnica de Guangdong, la Universidad Agrícola y Forestal de Fujian, la Universidad Agrícola del Sur de China, la Universidad de Agricultura e Ingeniería de Zhongkai y la Universidad Normal de Lingnan.
Una combinación de imágenes térmicas y visibles
La inspección manual tradicional de los campos de arroz suele ser subjetiva y lenta, lo que dificulta su aplicación en programas de mejoramiento a gran escala. Por otro lado, la tecnología de sensores hiperespectrales en vehículos aéreos no tripulados ofrece gran precisión pero resulta costosa, mientras que las cámaras visibles comunes no logran captar con suficiente detalle las copas y hojas del cultivo.
Para resolver estas limitaciones, los científicos recurrieron a la integración de cámaras de luz visible con sensores infrarrojos. Estos últimos permiten detectar los cambios de temperatura en la cubierta vegetal causados por la infección. Para coordinar ambas fuentes de información sin recargar los costos computacionales, la investigación creó la red PRCA (red paralela ResNet-Transformer con atención cruzada modal) y elaboró un conjunto de datos denominado UVI-RBR a partir de 530 parcelas de arroz.
Cómo funciona la arquitectura del sistema
El modelo PRCA aborda los principales obstáculos del análisis multimodal mediante tres componentes integrados:
- Ramas paralelas: ejecuta en paralelo los modelos ResNet-50 y Vision Transformer (ViT-Base/16). De este modo, las características locales aprendidas por convolución y el contexto global procesado por el transformer se obtienen de manera independiente antes de ser combinados.
- Atención cruzada (VICM): incluye ramas con predominio visible e infrarrojo para asegurar una colaboración equilibrada entre ambas modalidades de imagen, evitando que una invalide a la otra.
- Fusión liviana de características (LMFF): combina las capas superficiales y profundas mediante agrupamiento promedio adaptativo bidimensional y concatenación, eliminando parámetros adicionales y reduciendo el costo de procesamiento.
Resultados de precisión en el campo
La base de datos analizada estuvo compuesta por 250 muestras con infección leve, 228 de nivel medio y 52 de daño severo. En las pruebas de validación, la arquitectura PRCA alcanzó una precisión general del 94,44%, un índice kappa del 90,56%, una puntuación F1 del 94,71% y una tasa de recuperación del 95,79%.
Los ensayos demostraron que la fusión de luz visible e infrarroja mejoró la precisión general en un 8,33% en comparación con el uso de una sola modalidad. Asimismo, los análisis de activación mostraron que el infrarrojo cobra mayor relevancia a medida que la severidad de la enfermedad aumenta, consolidando un esquema eficiente para el monitoreo agrícola.
