Inteligencia artificial y agricultura de precisión para detectar enfermedades en maíz y fríjol

La investigación de Selene Solano Vera, presentada en la Maestría en Ingeniería Analítica de la Facultad de Minas de la UNAL, propone un framework de aprendizaje automático capaz de identificar estrés y enfermedades en cultivos mediante imágenes multiespectrales, incluso cuando el ojo humano no percibe diferencias visibles.

La inteligencia artificial continúa expandiendo sus fronteras hacia sectores como la agricultura. En ese escenario se inscribe la tesis de maestría “Detección de enfermedades en plantas de maíz y fríjol común con inteligencia artificial e imágenes multiespectrales”, desarrollada por Selene Solano Vera en la Maestría en Ingeniería Analítica de la Facultad de Minas de la Universidad Nacional de Colombia, bajo la dirección de la profesora María Constanza Torres Madroñero, del Departamento de Ciencias de la Computación y la Decisión. 

La investigación analizó imágenes multiespectrales de plantas de maíz y fríjol común para identificar patrones asociados con enfermedades y estrés abiótico, es decir, afectaciones causadas por factores como la falta de agua o nutrientes. A diferencia de una fotografía convencional, este tipo de imágenes captura información en distintas bandas del espectro electromagnético, permitiendo detectar señales imperceptibles visualmente.

El camino técnico estuvo marcado por importantes retos computacionales: “Comencé con un dataset a nivel de píxeles, es decir que, al extraer los píxeles de todas las hojas, tenía millones de datos. Esta dimensión de información implicó enormes exigencias para el entrenamiento de los modelos de aprendizaje automático. Las capacidades computacionales ni siquiera estaban disponibles no me alcanzaban para entrenar los modelos, entonces me tocaba recurrir a reducciones de datos y aun así me terminaba tomando semanas entrenar los modelos”, narró Selene, quien es además egresada del pregrado Ingeniería Física.

Además de la complejidad técnica, la investigación enfrentó los desafíos propios del contexto agrícola, donde las variables ambientales afectan considerablemente la calidad y consistencia de los datos. Solano Vera destacó que uno de los hallazgos más importantes fue comprobar que muchas señales asociadas con enfermedad o estrés vegetal son prácticamente invisibles.

“Si comparamos cuatro imágenes correspondientes a cada uno de los tratamientos, visualmente no vas a notar la diferencia. No vas a poder decir que esa planta tiene 25 % o incluso no es posible decir que esta planta está enferma y esta planta está sana porque visualmente no se ve. Capturar esas variaciones exige modelos capaces de interpretar señales espectrales sensibles a factores externos como la iluminación, el clima o las condiciones de captura”, detalló.

La investigadora advirtió además que esta es una limitación especialmente significativa en países como Colombia, donde gran parte de la producción agrícola depende de pequeños productores con acceso restringido a tecnologías avanzadas.

Desde la dirección de la tesis, la profesora María Constanza Torres Madroñero resaltó que el trabajo constituye un aporte para la inteligencia artificial aplicada y para el desarrollo tecnológico del sector agrícola. Según explicó, la investigación deja tres contribuciones fundamentales: “la primera de ellas es un framework completo para trabajar con herramientas de machine learning para el procesamiento de imágenes multiespectrales enfocadas al área de agricultura, específicamente para detección de enfermedades y estrés abiótico”, indicó.

La docente enfatizó que, aunque exista un creciente interés por incorporar inteligencia artificial en la agricultura, todavía persisten importantes vacíos de desarrollo tecnológico y metodológico: “uno de los resultados más llamativos de la tesis fue demostrar que técnicas tradicionales de aprendizaje automático pueden superar modelos más complejos de deep learning cuando los conjuntos de datos son limitados. Hoy se está investigando mucho en deep learning y estamos dejando a un lado herramientas y técnicas tradicionales que pueden llegar a ser efectivas, como se mostró aquí”, explicó.

Torres Madroñero destacó el compromiso de la investigadora durante el proceso y subrayó el valor del trabajo desarrollado a partir de un conjunto de datos construido y conservado durante años con fines de investigación agrícola. La intención, explicó, siempre fue explorar diferentes estrategias de inteligencia artificial orientadas a la reducción de estrés en cultivos y a futuras aplicaciones para el sector productivo.

Esta investigación abre posibilidades para el desarrollo de herramientas de agricultura de precisión en Colombia, un campo con enorme potencial para mejorar la productividad y sostenibilidad de los cultivos. Aunque la disponibilidad de datos y el acceso a sensores especializados sea dispendioso, esta tesis es la prueba de que la integración de inteligencia artificial y análisis espectral es fundamental para anticipar enfermedades y optimizar la toma de decisiones en el agro.