Detección de enfermedades en plantas de maíz y fríjol común con inteligencia artificial e imágenes multiespectrales
Cargando...
Autores
Tipo de contenido
Editor
Document language:
Español
Fecha
Título de la revista
ISSN de la revista
Título del volumen
Documentos PDF
Resumen
La detección temprana de deficiencias nutricionales en cultivos estratégicos como el maíz y el fríjol común constituye un desafío relevante para la productividad y la sostenibilidad del sector agrícola colombiano. El objetivo de esta investigación es desarrollar y evaluar modelos de inteligencia artificial, basados en aprendizaje automático y aprendizaje profundo, para la detección del estrés nutricional a partir de imágenes multiespectrales de rango cercano, como alternativa no destructiva a los análisis de laboratorio convencionales. Se adopta un diseño comparativo utilizando un conjunto de datos multiespectrales preexistentes, adquiridos sobre cultivos de maíz y fríjol común bajo distintos niveles de deficiencia nutricional. Se evalúan dos enfoques metodológicos: (i) la construcción de datasets tabulares a partir de descriptores espectrales agregados por hoja, empleados en modelos de aprendizaje automático y redes neuronales densas, y (ii) el uso directo de imágenes multiespectrales como entrada a redes neuronales convolucionales. El desempeño de los modelos se evalúa mediante métricas de exactitud, precisión, recall, F1-score y coeficiente Kappa. Los resultados muestran que los modelos tabulares alcanzan el mejor desempeño, destacándose el perceptrón multicapa como el modelo con mejores resultados globales, con valores de F1 macro cercanos a 0,72 en fríjol y 0,68 en maíz. En contraste, las redes neuronales convolucionales presentan un rendimiento inferior bajo las condiciones evaluadas, lo que evidencian que la información discriminativa se encuentra principalmente en la variabilidad espectral agregada. La metodología propuesta permite una detección no destructiva del estrés nutricional y establece una base para el desarrollo de herramientas de monitoreo agrícola. (Texto tomado de la fuente)
Abstract
Early detection of nutritional deficiencies in strategic crops such as maíze and common bean represents a relevant challenge for the productivity and sustainability of the Colombian agricultural sector. The objective of this research is to develop and evaluate artificial intelligence models, based on machine learning and deep learning, for the detection of nutritional stress from near-range multispectral images, as a non-destructive alternative to conventional laboratory analyses. A comparative design is adopted using a pre-existing multispectral dataset acquired from maíze and common bean crops under different levels of nutritional deficiency. Two methodological approaches are evaluated: (i) the construction of tabular datasets based on leaf-level aggregated spectral descriptors, used in machine learning models and dense neural networks, and (ii) the direct use of multispectral images as input to convolutional neural networks. Model performance is evaluated using accuracy, precision, recall, F1-score, and Cohen’s Kappa. The results show that tabular models achieve the best performance, with the multilayer perceptron standing out as the best-performing model overall, reaching macro F1-scores of approximately 0.72 in common bean and 0.68 in maíze. In contrast, convolutional neural networks exhibit lower performance under the evaluated conditions, indicating that the
most discriminative information lies primarily in aggregated spectral variability. The proposed methodology enables non-destructive detection of nutritional stress and provides a foundation for the development of agricultural monitoring tools.
Descripción
Ilustraciones