FresQia: Innovador sistema para detectar enfermedades foliares en cultivos

Las enfermedades foliares constituyen una amenaza significativa para la productividad agrícola y la gestión fitosanitaria, especialmente por su rápida propagación en los cultivos. La inspección manual de las plantas, que ha sido el método tradicional para detectar este tipo de afecciones, presenta múltiples limitaciones: es un proceso lento, subjetivo y complicado de aplicar a grandes superficies de cultivo. Además, cuando los síntomas son visibles, a menudo ya es demasiado tarde para implementar medidas de control efectivas, lo que aumenta el riesgo de pérdidas en la producción.

Ante esta problemática, surge el demostrador FresQia, una innovadora prueba de concepto destinada a la detección automática de síntomas foliares mediante visión artificial y computación cuántica. El objetivo principal es facilitar la monitorización agronómica automatizada de los cultivos.

Funcionamiento del sistema FresQia

La solución propuesta se basa en un seguimiento automático del estado de las plantas utilizando sistemas de visión artificial, que integran técnicas de computación cuántica para analizar patrones visuales complejos. Este enfoque compara modelos clásicos con Redes Neuronales Convolucionales Cuánticas (QCNN), explorando así el potencial de modelos híbridos en aplicaciones relacionadas con la agricultura de precisión.

El sistema desarrollado se organiza en tres etapas principales:

• Captura de imágenes: Se realiza en un entorno controlado como invernaderos, donde las condiciones de iluminación son óptimas para obtener imágenes de alta calidad. Las imágenes se toman sobre líneas de cultivo con separaciones habituales entre plantas, lo que facilita la identificación individual y minimiza el solapamiento foliar.
• Detección automática: Utilizando una arquitectura eficiente para detección de objetos, se generan recortes escalados a 16×16 píxeles. Este proceso permite aislar información relevante y optimizar los datos que serán procesados posteriormente por el clasificador.
• Clasificación: En esta etapa se determina si cada hoja está sana o presenta síntomas. La clasificación se lleva a cabo mediante una Red Neuronal Convolucional Cuántica (QCNN), cuyos resultados son comparados con aquellos obtenidos mediante redes neuronales convolucionales clásicas (CNN).

Resultados y perspectivas futuras

Los experimentos realizados han mostrado un rendimiento prometedor del sistema bajo condiciones óptimas y cuando los síntomas son claramente visibles. Sin embargo, también se han identificado limitaciones en situaciones más complejas, como el solapamiento foliar o cuando las hojas están parcialmente ocultas. Este análisis ha llevado al equipo a considerar mejoras para aumentar la robustez del sistema en entornos agrícolas reales.

Impacto potencial: Este enfoque busca favorecer la detección temprana de afecciones foliares, lo que podría contribuir significativamente a reducir las pérdidas en cosechas y disminuir la dependencia de pesticidas, mejorando así la sostenibilidad agrícola. Aunque inicialmente aplicado al análisis de hojas de fresa cultivadas en invernadero, la metodología tiene potencial para extenderse a otros cultivos con sintomatología visible.

Tecnológicamente, este trabajo valida soluciones híbrido-cuánticas para el análisis de imágenes agrícolas. La arquitectura desarrollada es compacta y eficiente, requiriendo menos datos para su entrenamiento y menor consumo energético que muchos modelos convencionales. Esto facilita su integración en dispositivos agrícolas y sistemas de monitoreo en campo. Además, presenta un alto potencial para escalar conforme evolucionen los algoritmos y el hardware cuántico.

Puedes conocer más sobre el demostrador FresQia a través de este vídeo resumen.