Monitoreo agrícola: avances de la inteligencia artificial en la detección de enfermedades foliares

Un estudio demuestra que un sistema de inteligencia artificial puede reconocer enfermedades foliares con alta precisión y acelerar el monitoreo de cultivos, lo que abre el camino a respuestas más rápidas en el campo y a decisiones mejor fundamentadas.

El sistema de inteligencia artificial identifica patrones visuales en las hojas, lo que ayuda a la detección temprana de enfermedades agrícolas a partir de imágenes digitales.

Cuando un cultivo comienza a perder vigor, la hoja casi siempre da los primeros síntomas. Manchas, cambios de color, deformaciones y zonas secas suelen aparecer antes de que el problema se traduzca en una disminución de la productividad. Un estudio aceptado para su publicación en Scientific Reports presenta un sistema de inteligencia artificial capaz de clasificar enfermedades foliares con alta precisión y rapidez.

La propuesta es destacable porque aborda un obstáculo persistente en el sector: la detección temprana de lo que le sucede a la planta.

En este trabajo, los investigadores desarrollaron el modelo DeepGreen, basado en una arquitectura Conv-7 DCNN (Red Neuronal Convolucional Profunda con 7 capas convolucionales) con una capa de atención modificada, para identificar enfermedades en hojas de tomate, patata y pimiento. El resultado obtenido fue una precisión del 99,18 %, con una precisión media del 99,17 %, cifras que sitúan al sistema entre los más potentes del conjunto comparado en el artículo.

Una foto de una hoja puede transformarse en alerta más rápidamente

El estudio parte de una idea sencilla: usar imágenes de hojas para reconocer patrones que, a simple vista, pueden confundirse o detectarse demasiado tarde. Para entrenar el sistema, los autores utilizaron la base de datos PlantVillage, disponible públicamente en Kaggle, con 20.638 imágenes distribuidas en 15 categorías relacionadas con hojas sanas y enfermas de tomates, patatas y pimientos. Las imágenes se redimensionaron, normalizaron y se les añadió información artificial para reforzar el entrenamiento del modelo.

Los síntomas típicos de las enfermedades de las hojas, como manchas y decoloración, pueden ser reconocidos automáticamente por modelos de aprendizaje profundo entrenados con miles de imágenes.

En la práctica, esto significa transformar la cámara en una especie de sistema de detección inicial. El sistema no "cura" la planta ni reemplaza al especialista, pero puede acortar el intervalo entre la aparición del síntoma y la decisión de manejo. Según el artículo, el modelo también se desempeñó de manera compatible con aplicaciones en tiempo real, con 112,49 fotogramas por segundo, un tiempo de inferencia de 18,34 segundos para 2064 muestras de prueba y 8,89 milisegundos por imagen.

¿Por qué es esto interesante más allá del laboratorio?

El punto más relevante de la investigación no es solo la alta tasa de precisión, sino la utilidad práctica del ahorro de tiempo. En cultivos sensibles, los días de retraso entre el primer síntoma y la respuesta en el campo pueden aumentar las pérdidas y encarecer el manejo. El estudio muestra que la propuesta superó a modelos conocidos utilizados para la comparación, como VGG-19, MobileNet, ResNet50V2, InceptionV3 y DenseNet121. En este conjunto, DenseNet121 fue el mejor entre los modelos preentrenados, con una precisión del 93,12 %, inferior al 99,18 % del modelo propuesto.

En la práctica agrícola, esta herramienta puede ayudar a:

priorizar áreas con mayor sospecha de infección;
organizar inspecciones con mayor rapidez;
registrar la evolución visual de los síntomas;
reducir el tiempo entre la observación y la decisión;
apoyar a los equipos que no tienen acceso inmediato a especialistas.

Este tipo de uso resulta útil principalmente como herramienta de monitoreo, y no como diagnóstico definitivo del estado de la planta.

Su valor reside en agilizar la evaluación inicial del problema, especialmente cuando el área es extensa o se requiere un monitoreo frecuente.

La alta precisión no elimina la necesidad de validación

El artículo incluye una advertencia importante: incluso con resultados muy altos, existe la posibilidad de error. Los autores destacan que los falsos negativos pueden retrasar el tratamiento y aumentar las pérdidas, mientras que los falsos positivos pueden provocar intervenciones innecesarias e incrementar los costos.

Por lo tanto, argumentan que las predicciones con baja confianza deben ser validadas por expertos y que el sistema debe entrenarse con bases de datos más diversas.

Otro dato interesante es que el modelo también se probó con otros conjuntos de datos. En la base de datos de maíz, alcanzó una precisión del 97,38%; en la de lechuga, del 0,97%. Estas cifras sugieren potencial de generalización, pero aún no resuelven la cuestión principal de su uso cotidiano: ¿cómo se comporta el sistema en el campo real, con variaciones de luz, sombra, polvo, hojas superpuestas y diferentes cámaras?

Por lo tanto, la noticia no es la llegada de una solución milagrosa, sino el avance de una herramienta que puede hacer que el monitoreo agrícola sea más rápido, más estandarizado y más útil para la toma de decisiones prácticas.

Referencias de la noticia

- DeepGreen: a real-time deep learning system for smart agriculture monitoring. 17 de abril, 2026. Rathor, A.S., Choudhury, S., Sharma, A. et al.