1. Home >
  2. Blogs >
  3. ¿Puedes ayudar a dar forma al futuro de la detección de enfermedades vegetales?

¿Puedes ayudar a dar forma al futuro de la detección de enfermedades vegetales?

Los avances en inteligencia artificial y aprendizaje automático dan lugar a un gran avance en la detección automática de las royas del trigo.

La Inteligencia Artificial (IA) y el Aprendizaje Automático (AM) se aplican cada vez más en una amplia gama de disciplinas. Muchos aspectos de nuestra vida y nuestro trabajo se benefician ahora de estas tecnologías. El reconocimiento de enfermedades, tanto humanas como vegetales, no es una excepción. Las técnicas de IA/ML, cada vez más potentes, están abriendo interesantes oportunidades para mejorar la vigilancia, el seguimiento y la alerta temprana de las amenazas de enfermedades.

Científicos de la Penn State University/PlantVillage, en colaboración con centros del CGIAR, la FAO y socios nacionales, están a la vanguardia del desarrollo de la tecnología de IA/ML aplicada al reconocimiento de plagas y enfermedades en los cultivos. El desarrollo de la aplicación móvil “PlantVillage Nuru” ha proporcionado una herramienta automatizada de diagnóstico de enfermedades precisa y sencilla que puede ser utilizada por personas no expertas, incluidos los agricultores. Un artículo publicado recientemente en Frontiers of Plant Science demostró que Nuru podía diagnosticar los síntomas de las enfermedades de la yuca con mayor precisión que los agentes de extensión agrícola o los agricultores.

“El valor de herramientas como PlantVillage Nuru es que podemos aumentar en gran medida la cobertura y la velocidad de la vigilancia”, dice el científico del CIMMYT y experto en vigilancia de enfermedades Dave Hodson. “Los patólogos sólo pueden visitar un número limitado de campos en momentos determinados de la temporada. Con herramientas como Nuru, los agentes de extensión y los agricultores pueden contribuir a los estudios de campo. Esto puede dar lugar a una detección mucho más rápida de los brotes de enfermedades, a una mejor alerta temprana y a mayores posibilidades de control”.

Los nuevos avances en la tecnología de IA/ML prometen ahora mejoras aún mayores en estas herramientas ya potentes. Los científicos del CIMMYT llevan mucho tiempo colaborando con el grupo de PlantVillage, trabajando para intentar desarrollar diagnósticos mejorados de importantes enfermedades del trigo, como la roya y el brusone. Ya se han hecho progresos considerables en el desarrollo de diagnósticos automatizados para las enfermedades del trigo, pero la introducción de técnicas avanzadas de segmentación de imágenes y de mosaico promete ser un gran salto adelante.

“Los avances en informática son constantes y esto puede beneficiar a la misión del CGIAR y de PlantVillage”, explica David Hughes, titular de la Cátedra Dorothy Foehr Huck y J. Lloyd Huck de Seguridad Alimentaria Mundial en Penn State y fundador de PlantVillage.

“Las técnicas de segmentación de imágenes y de mosaico son un gran ejemplo. Antes requerían requisitos informáticos intensivos. Ahora, gracias a los avances de la informática, estas potentes técnicas son cada vez más accesibles y pueden aplicarse a problemas de enfermedades vegetales, como la roya del trigo.”

Mediante el uso de estas técnicas de segmentación de imágenes y de creación de mosaicos, los desarrolladores de PlantVillage están viendo una importante mejora en la capacidad de detectar automáticamente y con precisión las royas del trigo a partir de fotos in situ. “No podíamos identificar las royas con los enfoques anteriores, pero esta herramienta de segmentación y mosaico cambia las reglas del juego. El ordenador recorre las imágenes píxel a píxel, lo que resulta muy adecuado para enfermedades como las royas, que pueden extenderse por la hoja o el tallo de la planta. El ordenador dispone ahora de un algoritmo de búsqueda mucho más potente”.

El equipo dirigido por Pete McCloskey, ingeniero jefe de inteligencia artificial de Plant Village, utilizó en realidad un proceso de varios pasos. Primero eliminaron el fondo para ayudar a la máquina a centrarse en la hoja. Posteriormente, cortaron digitalmente la hoja en segmentos para que la IA pudiera enfocar y encontrar el óxido. A continuación, se une toda la hoja y se resalta el óxido para ayudar a los humanos que trabajan en el sistema de nube PlantVillage.

Fig: Ejemplos de imágenes manuales etiquetadas a mano (filas superiores) comparadas con imágenes generadas por la IA mediante segmentación y mosaico (filas inferiores) para la roya.

Este nuevo y emocionante avance en la detección rápida y precisa de las royas del trigo en el campo necesita ahora ser validado y mejorado. Como ocurre con todas las aplicaciones de IA/ML, el número de imágenes incluidas en los modelos mejora realmente la calidad de las predicciones finales. “El éxito de cualquier modelo de aprendizaje automático se basa en la calidad y la cantidad de los datos con los que se entrena”, señala McCloskey. “Por lo tanto, es fundamental obtener grandes y diversas cantidades de imágenes de alta calidad de todo el mundo para desarrollar un sistema global de reconocimiento de la roya del trigo”. En este aspecto, esperamos que la comunidad mundial del trigo del CIMMYT pueda ayudar a impulsar el desarrollo de estas nuevas e interesantes herramientas.

El CIMMYT y PlantVillage esperan ampliar el actual conjunto de datos de imágenes de la roya del trigo y, como resultado, producir una herramienta de detección de enfermedades aún más valiosa y de interés público. Dado el amplio trabajo de campo realizado en los campos de trigo de todo el mundo por el personal del CIMMYT y sus socios, esperamos que usted pueda ayudarnos. Cualquier foto de royas del trigo (roya del tallo, de la raya y de la hoja) en el campo sería valiosa.

Nos gustaría tener imágenes con una hoja o tallo infectado por imagen, debe ser vertical en la imagen para que se pueda ver todo el segmento de hoja o tallo. La hoja o el tallo deben estar enfocados y centrados en la imagen. Resulta útil mantener la punta de la hoja alejada del tallo, de modo que esté extendida y plana. Lo ideal para los datos de entrenamiento es que la hoja tenga sólo un tipo de roya y ningún otro síntoma de enfermedad. Está bien que haya otras hojas/tallos/suelo/cielo en el fondo. También está bien que haya manos y otras partes del cuerpo en la imagen.

A continuación se muestran algunas imágenes de ejemplo. Cualquier imagen se puede subir aquí.

Imágenes de muestra de una variedad de royas del trigo (roya del tallo, de la raya y de la hoja) en el campo. (Fotos: CIMMYT)

Para más información, póngase en contacto con Dave Hodson, CIMMYT (d.hodson@cgiar.org) o Pete McCloskey, PlantVillage (petermccloskey1@gmail.com).