SANIDAD
AVANCES
Sus técnicos están «entrenando» un sistema de visión artificial. Quieren que «aprenda» a detectar e identificar plagas en cultivos (por ahora) de Mendoza. Confían que facilitará la toma de decisiones en tiempo real, para disponer los tratamientos fitosanitarios adecuados.
PUNTO DE PARTIDA. En este momento, el nuevo sistema cuenta con 15 trampas activas, 4 de ellas instaladas en establecimientos agrícolas privados. Dispone, además, de 20 módulos que permitirán escalar la red, en el corto plazo; y se proponen expandirla hasta tener operando 60 dispositivos. FOTO / GENTILEZA Difusión Iscamen.
El Instituto de Sanidad y Calidad Agropecuaria Mendoza (Iscamen) desarrolló un sistema propio de machine learning (aprendizaje automático) para reconocer plagas agrícolas sin necesidad de revisión presencial permanente de las trampas que las capturan.
Con este avance, el ente fitosanitario de la provincia andina espera contar, en lo inmediato, con una herramienta autónoma de detección y análisis de plagas que regularmente afectan a los cultivos de la región, inclusive aquellos instalados en zonas más alejadas de sus centros operativos.
Un reporte oficial difundido en Mendoza aclara que la iniciativa surgió a partir de la «necesidad de actualizar la anterior red de trampeo» (y el sistema de monitoreo asociado) que «dependía de proveedores externos» e, ineludiblemente, requería la presencia del técnico (o el productor que la hubiere instalado).
Esto implicaba estar «al pie» de la trampa, para realizar la verificación in situ, y suponía (por esa misma razón) un monitoreo más espaciado en el tiempo o, en todo caso, la necesidad de salir al campo con mayor frecuencia para verificar a tiempo eventuales capturas en la red de trampeo.
OBJETIVO. El Iscamen se propone optimizar los procedimientos de toma y procesamiento de datos y reducir costos de actualización y mantenimiento y, a futuro, ofrecer el sistema como una herramienta asequible para productores de la provincia y de otras regiones del país.
Los técnicos del Iscamen que participaron en el desarrollo (y siguen trabajando en sus ajustes) confían que facilitará la toma de decisiones en tiempo real, para disponer los tratamientos fitosanitarios adecuados.
A mediano plazo, en tanto, el sistema permitirá relevar datos considerados clave para el manejo de plagas, como temperatura y humedad en el ambiente, y, de paso, generar información útil para acompañar el desarrollo de distintos cultivos.
Con esta mejora, el Iscamen busca -por lo pronto- «optimizar los procedimientos de captura y procesamiento de datos, y reducir costos de actualización y mantenimiento» dice el informe.
A futuro, espera ofrecerlo como «una herramienta asequible para productores de la provincia y de otras regiones del país», que podrán ver en sus computadoras o en sus teléfonos móviles, la información surgida de los datos recogidos y procesados automáticamente por el sistema.
Lo cierto es que, a partir de ahora, el monitoreo y reconocimiento de plagas estará apoyado en un sistema de machine learning que viene siendo «alimentado» con datos propios del ecosistema en el que va a trabajar.
En este punto, vamos a dejar dos o tres «Notas de la Redacción de Campo Andino», para tener una idea aproximada acerca de qué estamos hablando.
La primera de esas aclaraciones, es que el machine learning (aprendizaje automático) es una rama de la inteligencia artificial (IA) que permite a los sistemas aprender y mejorar de forma autónoma.
En términos generales, el objetivo de recurrir a la IA es que el sistema (éste del Iscamen u otro cualquiera) llegue a identificar patrones complejos en grandes volúmenes de datos para realizar predicciones, clasificaciones e inclusive tomar decisiones.
Para «aprender», el sistema utiliza algoritmos que le permiten analizar datos (hay que «alimentarlo» con esos datos), y también actualizarse a medida que dispone de nueva información.
En este momento, el nuevo sistema de detección e identificación de plagas del Iscamen cuenta con 15 trampas activas, 4 de ellas instaladas en establecimientos agrícolas privados.
Dispone, además, de 20 módulos que permitirán escalar la red, en el corto plazo; y se proponen expandirla hasta tener operando 60 dispositivos.
«Actualmente, el modelo se encuentra en su etapa de aprendizaje en campo. Esta fase de entrenamiento busca una adaptación a diversas variables del entorno», explican los especialistas del Instituto provincial.
Adelantan que el plan continuará mediante «un esquema de aprendizaje supervisado y retroalimentación continua, a partir de los análisis en laboratorio de los datos obtenidos en campo, con el fin de alcanzar un 98% de precisión en la detección de insectos» .
En esta fase, añaden, «se proyecta el procesamiento y etiquetado de aproximadamente 5.000 imágenes representativas, que incluyan distintos escenarios de iluminación, niveles de suciedad, superposición de ejemplares e interferencias visuales».
«Este ajuste iterativo permitirá refinar la capacidad de detección del modelo YOLOv8, asegurando resultados consistentes bajo condiciones variables de captura» apuntan desde el Iscamen.
…con un par más de «Notas de nuestra Redacción». El ajuste iterativo es un proceso de modelado de datos, calibración o configuración de software en el que un usuario modifica parámetros en tiempo real visualizando los cambios inmediatamente.
Se utiliza comúnmente para adaptar modelos matemáticos, optimizar longitudes en circuitos PCB o ajustar la configuración de máquinas agrícolas, lo cual permite un control directo y preciso para mejorar resultados.
En este caso, para que el sistema no confunda una mancha o una hoja, o lo que sea… con un insecto y, si es un insecto, para que “sepa” identificarlo… y poder saber si se está (o no) ante la presencia de uno o varios ejemplares de una plaga.
Para que “aprenda” hay que “entrenarlo” con datos. En este caso -en principio- con esas aproximadamente 5.000 imágenes (que mencionan los técnicos) para que no confunda lo que está “viendo”.
Aquí viene una tercera aclaratoria de nuestra Redacción, para hablar del YOLOv8. Es un modelo de visión artificial de última generación (aunque ha tenido actualizaciones) desarrollado por Ultralytics.
Ultralytics es una empresa multinacional que ofrece soluciones de código abierto de visión mediante inteligencia artificial para distintas actividades, incluidas la agricultura y la ganadería.
Esta versión de YOLO -que fue lanzada en 2023– destaca por su velocidad y precisión en detección de objetos, y clasificación de imágenes, con una cabeza de detección mejorada (entre otras incorporaciones) que facilita su uso para aplicaciones en tiempo real.
Volviendo al sistema del Iscamen: Luego de esta instancia inicial de entrenamiento para adaptarlo a las variables del entorno; y después que haya pasado la fase siguiente (de aprendizaje supervisado y retroalimentación continua del modelo de visión artificial), será momento que “muestre en serio» lo que «aprendió”… y «exigirle» un poco más.
Es que, según el reporte oficial, «el siguiente paso será consolidar la validación del sistema en fincas seleccionadas, y ampliar su capacidad de reconocimiento a otras especies de interés sanitario y productivo» al margen de las más relevantes para la región, que pronto empezarán a poner «en la mira» del YOLOv8.
«Este desarrollo representa un avance significativo hacia un sistema integral de análisis y gestión de plagas basado en ciencia aplicada e innovación tecnológica» subraya el informe difundido por el Gobierno de Mendoza.
ISCAMEN MENDOZA MODELO YOLO-V8 RECONOCIMIENTO DE PLAGAS AGRÍCOLAS MEDIANTE IA ULTRALYTICS SOLUCIONES DE CÓDIGO ABIERTO
08
abril
A CAMPO, EN BORDENAVE
«MÁS KILOS REALES EN EL
SUDOESTE BONAERENSE»
MÁS INFO
