Papel de las aplicaciones de visión artificial basadas en aprendizaje profundo para la detección temprana de enfermedades en las plantas.

Las enfermedades de las plantas amenazan silenciosamente la seguridad alimentaria mundial, destruyendo entre 10 y 161 toneladas de cultivos anualmente y ocasionando pérdidas de entre 1 y 220 mil millones de dólares a la industria agrícola. Los métodos tradicionales, como las inspecciones manuales y las pruebas de laboratorio, son lentos, costosos y, a menudo, poco fiables.

Un estudio innovador de 2025, “Aprendizaje profundo y visión artificial en la detección de enfermedades de las plantas” (Upadhyay et al.), revela cómo la detección de enfermedades de las plantas mediante IA y la agricultura basada en visión artificial están transformando la agricultura.

Por qué la detección temprana de enfermedades de las plantas es importante para la seguridad alimentaria mundial.

La agricultura emplea a 281.300 personas de la fuerza laboral mundial, con países como India, China y Estados Unidos a la cabeza de la producción agrícola. A pesar de ello, las enfermedades de las plantas causadas por hongos, bacterias y virus reducen drásticamente los rendimientos y generan dificultades económicas.

Por ejemplo, la enfermedad del tizón del arroz reduce las cosechas entre 30 y 50 toneladas en las regiones afectadas, mientras que el enverdecimiento de los cítricos ha arrasado con 70 toneladas de naranjas en Florida desde 2005. La detección temprana es fundamental, pero muchos agricultores carecen de acceso a herramientas avanzadas o a la experiencia necesaria.

Aquí es donde entra en juego la detección de enfermedades mediante inteligencia artificial, que ofrece soluciones rápidas, asequibles y precisas que superan a los métodos tradicionales.

Cómo la IA y la visión artificial detectan las enfermedades de los cultivos

El estudio analizó 278 artículos de investigación para explicar cómo funcionan los sistemas de detección de enfermedades de las plantas mediante inteligencia artificial. En primer lugar, cámaras o sensores capturan imágenes de los cultivos. Posteriormente, estas imágenes se procesan mediante algoritmos para identificar signos de enfermedad.

Por ejemplo, Cámaras RGB Las cámaras toman fotografías en color para detectar síntomas visibles como manchas en las hojas, mientras que las cámaras hiperespectrales detectan señales de estrés ocultas analizando cientos de longitudes de onda de luz.

Una vez capturadas las imágenes, se someten a un preprocesamiento para mejorar su calidad. Técnicas como el umbralizado aíslan las áreas afectadas por el color, y la detección de bordes delimita las zonas afectadas por las lesiones o la decoloración.

A continuación, los modelos de aprendizaje profundo analizan los datos preprocesados. Redes neuronales convolucionales (CNN), Las herramientas de IA más comunes en la agricultura analizan las imágenes capa por capa para identificar patrones como texturas o colores inusuales.

En un ensayo de 2022, ResNet50—un popular modelo CNN— logró una precisión del 99,071 TP3T en el diagnóstico de enfermedades del tomate.

Mientras tanto, Vision Transformers (ViTs) Dividir las imágenes en parches y estudiar sus relaciones, imitando cómo los humanos analizan el contexto. Este método ayudó a detectar el virus que limpia las venas de la vid con una precisión de 71% en un estudio de 2020.

“El futuro de la agricultura no reside en sustituir a los humanos, sino en equiparlos con herramientas inteligentes.”

El papel de los sensores avanzados en la agricultura moderna

Los distintos sensores ofrecen ventajas únicas para la agricultura de precisión. Cámaras RGB, aunque asequibles y fáciles de usar, tienen dificultades con las enfermedades en etapa temprana debido al detalle espectral limitado. En contraste, cámaras hiperespectrales Capturan datos en cientos de longitudes de onda de luz, revelando señales de estrés invisibles a simple vista.

Por ejemplo, en 2022, los investigadores utilizaron imágenes hiperespectrales para diagnosticar el cancro de Valsa del manzano con una precisión del 981% (TP3T). Sin embargo, estas cámaras cuestan $10,000–$50.000, lo que los hace demasiado caros para los pequeños agricultores.

Cámaras térmicas Se puede aportar otra perspectiva midiendo los cambios de temperatura provocados por las infecciones. Un estudio de 2019 reveló que las hojas infectadas con la enfermedad del enverdecimiento de los cítricos muestran patrones de calor distintivos, lo que permite una detección temprana.

Mientras tanto, cámaras multiespectrales—una opción intermedia—controlar los niveles de clorofila para evaluar la salud de las plantas.

Estos sensores permitieron mapear la roya amarilla del trigo en 2014, lo que ayudó a los agricultores a aplicar tratamientos más efectivos. A pesar de sus beneficios, el costo de los sensores y factores ambientales como el viento o la iluminación irregular siguen siendo un desafío.

Conjuntos de datos públicos: la columna vertebral de la IA en la agricultura.

El entrenamiento de modelos de IA fiables requiere enormes cantidades de datos etiquetados. Conjunto de datos de PlantVillage, un recurso gratuito con 87.000 imágenes de 14 cultivos y 26 enfermedades, se ha convertido en el referente para los investigadores.

Más de 90% estudios citados en el artículo utilizaron este conjunto de datos para entrenar y probar sus modelos. Otro recurso clave, el Conjunto de datos sobre enfermedades de la yuca, Incluye 11.670 imágenes de la enfermedad del mosaico de la yuca y logró una precisión de 96% con modelos CNN.

Sin embargo, persisten algunas deficiencias. Enfermedades raras como el nematodo del pino tienen menos de 100 imágenes etiquetadas, lo que limita la capacidad de la IA para detectarlas. Además, la mayoría de los conjuntos de datos incluyen imágenes capturadas en laboratorio, que no tienen en cuenta variables del mundo real como el clima o la iluminación.

Para abordar este problema, proyectos como AI4Ag están recopilando imágenes de campo de agricultores de todo el mundo mediante la colaboración ciudadana, con el objetivo de crear conjuntos de datos más sólidos y realistas.

Medición del rendimiento de la IA: exactitud, precisión y más allá

Los investigadores utilizan diversas métricas para evaluar los sistemas de detección de enfermedades de las plantas basados en inteligencia artificial. Exactitud—el porcentaje de diagnósticos correctos— varía desde 76,9% en los primeros modelos a 99,97% en sistemas avanzados como EfficientNet-B5.

Sin embargo, la exactitud por sí sola puede ser engañosa. La precisión mide cuántas enfermedades señaladas son reales (evitando falsas alarmas), mientras que la exhaustividad registra cuántas infecciones reales se detectan.

Por ejemplo, Máscara R-CNN, un modelo de detección de objetos, logró una recuperación de 93,5% en la detección de antracnosis en fresas, pero solo una precisión de 45% en la detección de pudrición de la raíz del algodón.

En Puntuación F1 equilibra la precisión y la exhaustividad, ofreciendo una visión integral del rendimiento. En un ensayo de 2023, PlantViT—un modelo de IA híbrido— obtuvo una puntuación F1 de 98,61% en el conjunto de datos PlantVillage.

Para la detección de objetos, Precisión media promedio (mAP) es fundamental. Faster R-CNN, un modelo popular, logró un mAP de 73,07% en ensayos sobre enfermedades del manzano, lo que significa que localizó y clasificó correctamente las infecciones en la mayoría de los casos.

Desafíos que frenan la IA en la agricultura

A pesar de su potencial, la detección de enfermedades mediante IA se enfrenta a obstáculos. En primer lugar, la escasez de datos afecta a las enfermedades raras o emergentes.

• Por ejemplo, para un estudio de 2021 solo se disponía de 20 imágenes de oídio del pepino, lo que limita la fiabilidad del modelo.
• En segundo lugar, factores ambientales como el viento, las sombras o las condiciones de luz variables reducen la precisión en el campo entre 20 y 30 TP3T en comparación con las condiciones de laboratorio.
• En tercer lugar, los altos costos dificultan la adopción. Las cámaras hiperespectrales, si bien son potentes, siguen siendo inaccesibles para los pequeños agricultores, y las herramientas de IA requieren teléfonos inteligentes o acceso a internet, lo que aún representa una barrera en las zonas rurales.
• Finalmente, persisten los problemas de confianza. Una encuesta de 2023 reveló que el 681% de los agricultores dudan en adoptar la IA debido a su naturaleza de "caja negra": no pueden ver cómo se toman las decisiones.

Para superar este problema, los investigadores están desarrollando una IA interpretable que explique los diagnósticos en términos sencillos, como resaltar las áreas de las hojas infectadas o enumerar los síntomas.

El futuro de la agricultura: 5 innovaciones a tener en cuenta

1. Computación de borde para análisis en tiempo realLos modelos de IA ligeros como MobileNetV2 (de 7 MB) se ejecutan en teléfonos inteligentes o drones, ofreciendo detección de enfermedades en tiempo real sin necesidad de internet. En 2023, este modelo alcanzó una precisión del 99,421 TP3T en la clasificación de enfermedades de la patata, lo que permitió a los agricultores tomar decisiones al instante.

2. Aprendizaje por transferencia para una adaptación más rápidaLos modelos preentrenados como PlantViT se pueden ajustar para nuevos cultivos con una cantidad mínima de datos. Un estudio de 2023 adaptó PlantViT para la detección de la piriculariosis del arroz, logrando una precisión del 87,871 % con tan solo 1000 imágenes.

3. Modelos de Visión-Lenguaje (VLM)Sistemas como CLIP de OpenAI permiten a los agricultores consultar la IA mediante texto (por ejemplo, “Buscar manchas marrones en las hojas”). Esta interacción natural reduce la brecha entre la tecnología compleja y la agricultura cotidiana.

4. Modelos fundamentales para la IA de propósito generalLos modelos a gran escala, como GPT-4, podrían simular la propagación de enfermedades o recomendar tratamientos, actuando como agrónomos virtuales.

5. Bases de datos globales colaborativasLas plataformas de código abierto como PlantVillage y AI4Ag recopilan datos de agricultores e investigadores de todo el mundo, acelerando así la innovación.

Caso práctico: Cultivo de mangos con inteligencia artificial en la India

En 2024, investigadores desarrollaron un modelo DenseNet ligero para combatir enfermedades del mango como la antracnosis y el oídio. Entrenado con 12.332 imágenes de campo, el modelo alcanzó una precisión del 99,21 TP3T, superior a la de la mayoría de los sistemas de laboratorio.

Con 50% parámetros menos, funciona sin problemas en teléfonos inteligentes económicos. Los agricultores indios ahora usan una aplicación $10 basada en esta IA para escanear hojas y recibir diagnósticos instantáneos, lo que reduce el uso de pesticidas en 30% y salva cosechas.

Conclusión

La detección de enfermedades de las plantas mediante IA y la tecnología de agricultura de precisión están transformando la agricultura y ofreciendo esperanza para combatir la inseguridad alimentaria. Al permitir un diagnóstico precoz, reducir el uso de productos químicos y empoderar a los pequeños agricultores, estas herramientas podrían aumentar el rendimiento mundial de los cultivos entre 20 y 301 millones de años.

Para aprovechar este potencial, las partes interesadas deben abordar los costes de los sensores, mejorar la diversidad de los datos y generar confianza entre los agricultores mediante la formación.

Referencia: Upadhyay, A., Chandel, NS, Singh, KP et al. Aprendizaje profundo y visión por computadora en la detección de enfermedades de las plantas: una revisión exhaustiva de técnicas, modelos y tendencias en agricultura de precisión. Artif Intell Rev 58, 92 (2025). https://doi.org/10.1007/s10462-024-11100-x