Aplican “deep learning” para detectar HLB en cítricos

“Mediante la fotografías de hojas en tiempo real, este desarrollo permite reconocer síntomas y deficiencias nutricionales, identificar de síntomas de HLB y diferenciar los indicios de carencias nutricionales”, aseguró el técnico del INTA

Huanglongbing (HLB) o enfermedad del brote amarillo es la enfermedad más importante de la citricultura mundial. Una vez infectadas, las plantas no se recuperan y se tornan comercialmente improductivas. Para identificar el vector y diferenciar los síntomas de la enfermedad en ramas, hojas y frutos de árboles es necesario un entrenamiento visual de citricultores y monitoreadores.

Para contribuir a la identificación temprana, investigadores del INTA Misiones desarrollaron un software -basado en Deep learning- que probaron con éxito en especies de naranja, mandarina, limón y pomelo.

“Con soporte en técnicas de inteligencia artificial (IA), como sistemas de visión artificial que integran diferentes técnicas de procesamiento digital de imágenes y métodos de clasificación, creamos un sistema para dispositivos móviles”, señaló Javier Berger, ingeniero en informática y becario de investigación del Comité Ejecutivo de Desarrollo e Innovación Tecnológica (CEDIT) en el INTA Montecarlo -Misiones-.

Pensado para teléfonos con sistema Android, esta aplicación “permite reconocer síntomas de HLB y deficiencias nutriciones mediante la captura de fotografías de hojas en tiempo real”, explicó el investigador, creador de la aplicación junto con César Preussler y Juan Pedro Agostini, de la Estación Experimental Agropecuaria Montecarlo del INTA.

“En las diferentes pruebas de clasificación de imágenes de hojas de árboles cítricos con síntomas de HLB, carencia de magnesio, deficiencia de zinc y asintomáticas, demostró reconocer los síntomas vinculados con HLB con un 89 % de aciertos”, destacó Berger.

Y si bien “el porcentaje de aciertos fue entre 3 % y 9 % menor frente a otros trabajos que utilizan imágenes hiperespectrales -que requieren dispositivos de captura costosos-, resultó superior al promedio de clasificaciones obtenidas por los monitoreadores”, indicó Berger.

Creada bajo distintas técnicas de IA que hoy se aplican de manera exitosa en la selección automatizada de granos de café, clasificación de flores, de gajos de mandarina, maduración de cítricos y, específicamente, la clasificación de hojas, la aplicación desarrolla por técnicos del INTA emplea métodos de aprendizaje profundo -deep learning- que definen automáticamente características como color, forma y textura de las hojas.

“Mediante la fotografías de hojas en tiempo real, este desarrollo permite reconocer síntomas y deficiencias nutricionales, identificar de síntomas de HLB y diferenciar los indicios de carencias nutricionales”, aseguró el técnico del INTA.

La aplicación emplea sistemas de visión artificial y permite automatizar tareas que requieren de personas entrenadas para la identificación, adquisición, procesamiento y clasificación de imágenes. Obtenidas mediante cámaras digitales o escáneres, las imágenes se procesan digitalmente con el objetivo de segmentar las regiones de interés y extraer los descriptores visuales que definen los objetos a clasificar.

Frente a las dificultades que implica la identificación de síntomas de HLB, Berger afirmó: “La app resulta una alternativa de bajo costo, de fácil instalación y uso para productores y organismos de control”.

El deep learning, o aprendizaje profundo, adquiere mayor relevancia en el campo de la IA por ser una subcategoría del aprendizaje automático, ya que trata sobre el uso de redes neuronales para mejorar, por ejemplo, la visión por ordenador y el procesamiento del lenguaje natural.

Para entender qué es el aprendizaje profundo, lo primero que hay que hacer es distinguirlo de otras disciplinas que pertenecen al campo de la IA.

La aplicación móvil permitirá a los monitoreadores del Programa Nacional de Prevención del HLB (PNPHLB) y a los productores tener información en tiempo real para la toma de decisiones en relación a la extracción de muestras sin necesidad de conexión a Internet para funcionar.

En el monitoreo de lotes se buscan síntomas relevantes asociados a la enfermedad, como podrían ser el moteado asimétrico difuso en el haz o cara superior de la hoja, engrosamiento y aclaración de las nervaduras. Pero también desestimar indicios como consecuencia de deficiencias nutricionales y enfermedades como la gomosis y clorosis variegada de los cítricos.

Fuente: INTA Informa

2018-11-08T11:18:20+00:00