Embrapa Instrumentao (SP) ha desarrollado un método que utiliza sensores de imagen e inteligencia artificial para identificar la oruga del cartucho, una de las plagas más agresivas del cultivo de maíz. El sistema analiza las imágenes digitales e identifica la oruga tanto en la hoja de la planta como en el mazorco de maíz. Así, es posible minimizar la subjetividad de los métodos tradicionales, que son laboriosos y dependen de la observación humana para el cumplimiento de la misma tarea. El maíz es uno de los cereales más cultivados del mundo y la oruga de cartuchos (Spodoptera frungiperda) es una de las principales plagas de la cosecha. Este insecto puede causar pérdidas capaces de comprometer el 70% de la producción, según los investigadores de Embrapa. La oruga ataca plantas tanto en las fases vegetativa como reproductiva. Método alternativoLa metodología fue publicada en la revista Electronicts, en el artículo Enfoque de Inteligencia Computacional para el Control de la Faltura de la Guazgo del Ejército en Maize Crop, de Alex Bertolla y Paulo Cruvinel. Dicen que el trabajo estuvo motivado por la discrepancia entre el método actual de detección y el resultado previsto, lo que les llevó a investigar una alternativa para la detección temprana de plagas en áreas cultivadas. Bertolla dice que el estudio se centró en el reconocimiento y clasificación de patrones dinámicos de la oruga cartucho, que además del maíz, ataca varios cultivos agrícolas, como la soja y el algodón. Señala que la solución obtenida puede ayudar a los agrónomos y laboratorios a tener resultados más precisos. Para facilitar la captura de las imágenes, se puede acoplar una simple cámara en implementos agrícolas, para que pueda recoger las imágenes de las orugas presentes en las plantas de maíz, tanto hojas como mazorcas, mientras realiza operaciones en el cultivo. La cámara no tiene que ser de alto costo, sólo es necesario producir imágenes con buena resolución. Integración de los procesosEl método integra el procesamiento digital de imágenes y señales, estadísticas multivariadas, técnicas de aprendizaje automático y visión por computadora. El aprendizaje de la zoquema describe la capacidad de los sistemas para aprender de los datos de entrenamiento de problemas personalizados para automatizar y resolver tareas asociadas. Junto con este concepto, el aprendizaje profundo también es un proceso de aprendizaje automático, pero basado en redes neuronales artificiales con un conjunto de capas de propósito específicas. Bertolla explica que el algoritmo computacional tiene la capacidad de evaluar las imágenes digitales de diferentes etapas de crecimiento de la oruga ubicadas en plantas de maíz, así como su etapa de desarrollo y frecuencia de ocurrencia en el área de la cultura. El programa fue desarrollado en Python, un lenguaje de programación de alto nivel ampliamente utilizado en la ciencia de datos y el aprendizaje automático. Cómo se hizo el desarrolloPara la clasificación de los patrones dinámicos de la oruga, se desarrolló un diagrama de los bloques de métodos (imagen inferior), que presenta en cuatro pasos el paso del trabajo realizado. Bertolla recuerda que la primera etapa consistió en la adquisición y precopilación de las imágenes de la oruga, así como en la operación de tratamiento, eliminación de ruido y patrón de color. El siguiente paso se centró en la tramitación de las imágenes, en la segmentación de la imagen de la oruga, que no es más que extraer los antecedentes para explicar con prioridad sólo la imagen de las orugas que puedan estar presentes en el entorno cultural. Luego, se extrajeron las características de los objetos restantes para investigar exclusivamente el insecto de interés. Según Bertolla, se utilizó información sobre el color y la textura, así como las características geométricas para la caracterización y reconocimiento de patrones de la oruga de cartuchos. En el último bloque, utilizamos conceptos de inteligencia computacional, basados en el aprendizaje profundo, en los que una red neuronal artificial formada convolutiva (CNN) permite la clasificación de las diferentes etapas de la oruga. CNN se utiliza específicamente para analizar datos visuales. Para propósitos de comparación de rendimiento, también presentamos un conjunto de cinco clasificadores, conocidos como máquina de soporte vectorial (SVM), con el objetivo de clasificar cada etapa de la oruga individualmente, dice Bertolla. Este método analiza los datos y reconoce patrones. Base para estudios futurosCruvinel y Bertolla informan que la calidad de los resultados confirmó la recomendación del uso de la estructura basada en el aprendizaje profundo. Los datos experimentaron análisis precisos, precisión, tiempo de procesamiento y rendimiento de hardware para el escenario propuesto. El método también presentó un resultado considerable en temas relacionados con el rendimiento del hardware y el tiempo de procesamiento, lo que también puede ser interesante para una acción futura relacionada con la disponibilidad de esta tecnología en la versión integrada, para su uso directamente como parte de los implementos agrícolas, dice Cruvinel. Sugieren, para el trabajo futuro, incluir otras técnicas de inteligencia artificial dedicadas al control de plagas para el reconocimiento y clasificación de patrones, tanto sin supervisión como a través del uso de una cámara multiespectral incrustada en un vehículo aéreo no tripulado (UAV) para la operación en tiempo real. PUBLICADA POR: https://www.embrapa.br
|
