Mejoran la detección térmica de malezas mediante modelos de IA
Investigadores de la Universidad de California en Davis desarrollaron un sistema que combina imágenes 3D sintéticas y redes GAN para identificar malezas en capturas térmicas.
En los campos agrícolas, los cultivos y las malezas suelen solaparse y compartir colores, formas y texturas similares, lo que dificulta su identificación mediante sistemas automáticos. El uso de imágenes térmicas añade complejidad a esta tarea, ya que la temperatura de las plantas, las malas hierbas y el suelo suele ser semejante, generando bajo contraste, a lo que se suman las variaciones causadas por el sol, el viento y la humedad.
Para resolver estas limitaciones sin recurrir al costoso etiquetado manual de miles de imágenes, un equipo de investigación de la Universidad de California en Davis (UC Davis), perteneciente a los departamentos de Ingeniería de Sistemas Biológicos y de Ciencias de las Plantas, desarrolló una metodología que combina imágenes sintéticas en tres dimensiones, traducción generativa y un número reducido de anotaciones reales. El trabajo fue publicado en la revista científica Plant Phenomics.
Combinación de datos sintéticos y muestras reales
El proceso de entrenamiento utilizó 1.128 imágenes sintéticas generadas mediante Helios, un marco de modelado biofísico de código abierto. Estas imágenes recrearon escenarios con cultivos de caupí (Vigna unguiculata) y cuatro especies de malezas (Malva neglecta, Tribulus terrestris, Convolvulus arvensis y Physalis philadelphica). Además, los científicos anotaron manualmente 159 imágenes tomadas en campos reales para evaluar distintas formas de incorporar estos datos en el entrenamiento.
Entre las estrategias analizadas (inyección directa, muestreo balanceado y ajuste fino), el muestreo balanceado —que garantizó la inclusión de al menos una imagen real por lote de entrenamiento— ofreció el mejor rendimiento. Al sumar un número pequeño de imágenes reales a las sintéticas, la precisión medida a través del índice de Intersección sobre Unión (IoU) mejoró hasta un 25 % en comparación con el modelo entrenado únicamente con datos sintéticos.
- Mejora con pocos datos: Con solo 20 imágenes reales, la segmentación de plantas y malezas aumentó de manera sustancial.
- Superación del conjunto completo: Al emplear cerca de 30 imágenes reales, la precisión por categoría superó a la de modelos entrenados únicamente con la totalidad del conjunto de datos reales.
- Tamaño del modelo: Las arquitecturas de 31 millones de parámetros rindieron mejor de forma consistente que las versiones de 86 millones de parámetros, lo que sugiere que el exceso de parámetros puede obstaculizar la adaptación cuando los datos reales son escasos.
Alineación térmica sin calibración previa
Para transferir las máscaras de segmentación generadas en RGB a las imágenes térmicas y extraer la temperatura de los cultivos, el equipo utilizó la red CycleGAN-Turbo junto con técnicas de coincidencia de plantillas multiescala mediante OpenCV. Este procedimiento permitió mapear la información entre ambas modalidades sin requerir una calibración geométrica previa entre las cámaras.
El tiempo de procesamiento fue de aproximadamente 3 segundos por imagen en una tarjeta gráfica NVIDIA RTX Titan de 24 GB. En cuanto a la evaluación mediante la métrica Fréchet Inception Distance (FID), los resultados mostraron mejoras en las etapas tempranas de desarrollo del cultivo, aunque la precisión disminuyó durante las fases de floración y doseles tardíos.
Según explicaron los autores del estudio, el hallazgo más relevante reside en la capacidad de optimizar los modelos agregando un conjunto reducido y cuidadosamente seleccionado de datos reales, evitando así el sobreajuste mediante la técnica de muestreo balanceado.
