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 estas afecciones, presenta múltiples limitaciones: es un proceso lento, subjetivo y difícil de escalar a grandes superficies. Además, cuando los síntomas son visibles, a menudo puede ser demasiado tarde para implementar medidas de control efectivas, lo que incrementa el riesgo de pérdidas en la producción.
En este contexto, surge el demostrador FresQia, una prueba de concepto diseñada para la detección automática de síntomas foliares mediante visión artificial y computación cuántica. Su objetivo es apoyar la monitorización agronómica automatizada de los cultivos.
La solución propuesta se basa en un seguimiento automático del estado de las plantas utilizando sistemas de visión artificial e integrando técnicas de computación cuántica para el análisis de patrones visuales complejos. Este enfoque compara modelos clásicos con Redes Neuronales Convolucionales Cuánticas (QCNN), explorando así el potencial de los modelos híbridos en aplicaciones de agricultura de precisión.
Metodología del sistema
El sistema desarrollado se organiza en tres etapas principales. La primera etapa implica la captura de imágenes en un entorno controlado, como invernaderos, donde las condiciones estables de iluminación permiten obtener imágenes de alta calidad. Las fotografías se toman sobre líneas de cultivo con separaciones habituales entre plantas, facilitando la identificación individual y reduciendo el solapamiento foliar. Sin embargo, el sistema enfrenta retos propios del entorno, como el solapamiento entre hojas o la presencia de elementos no deseados como malas hierbas o plagas.
La segunda etapa se centra en la detección automática de hojas dentro de cada imagen. Para ello se emplea una arquitectura comúnmente utilizada en aplicaciones de visión artificial que equilibra precisión y eficiencia. El sistema genera automáticamente recortes escalados a 16×16 píxeles, permitiendo aislar información relevante y optimizar los datos que serán procesados posteriormente por el clasificador.
Finalmente, la tercera etapa consiste en clasificar las hojas para determinar si están sanas o presentan síntomas foliares. Esta clasificación se lleva a cabo mediante una Red Neuronal Convolucional Cuántica (QCNN), cuyos resultados son comparados con aquellos obtenidos a través de una red neuronal convolucional clásica (CNN).
Resultados preliminares
Los experimentos se realizaron utilizando una plataforma de emulación cuántica sobre infraestructuras HPC clásicas, desarrollada por CTIC. La plataforma QUTE está disponible para la comunidad investigadora y permite ejecutar y extender los experimentos presentados bajo solicitud.
Los resultados iniciales indican un buen rendimiento del sistema bajo condiciones óptimas de iluminación y cuando los síntomas son claramente visibles en las hojas. No obstante, se han identificado limitaciones en situaciones más complejas, como el solapamiento foliar o cuando las hojas están parcialmente ocultas. Este trabajo analiza dichas limitaciones y propone mejoras para aumentar la robustez del sistema en entornos agrícolas reales.
Impacto y potencial futuro
El propósito principal es facilitar la detección temprana de afecciones foliares, lo que podría contribuir a reducir las pérdidas en cosechas y disminuir la dependencia del uso de pesticidas, mejorando así la sostenibilidad agrícola.
Aunque este estudio se ha centrado en el análisis de hojas de fresa cultivadas en invernadero, la metodología tiene el potencial para aplicarse a otros cultivos que presenten síntomas visibles.
Tecnológicamente, este trabajo valida la viabilidad de soluciones híbrido-cuánticas para el análisis de imágenes agrícolas. La arquitectura propuesta es compacta y eficiente; requiere menos datos para entrenamiento y consume menos memoria que muchos modelos clásicos, lo que facilita su integración en dispositivos agrícolas y sistemas de monitoreo en campo.
A medida que evolucionen los algoritmos y el hardware cuántico, este enfoque también presenta un gran potencial para escalarse continuamente.
Puedes conocer más sobre FresQia a través del siguiente vídeo resumen.
Preguntas sobre la noticia
¿Qué es el demostrador FresQia?
El demostrador FresQia es una prueba de concepto para la detección automática de síntomas foliares en cultivos, utilizando visión artificial y computación cuántica. Su objetivo es apoyar la monitorización agronómica automatizada.
¿Cuáles son las etapas del sistema desarrollado?
El sistema se estructura en tres etapas: captura de imágenes en un entorno controlado, detección automática de hojas dentro de cada imagen y clasificación de las hojas para determinar si están sanas o presentan síntomas de afección foliar.
¿Cómo se lleva a cabo la clasificación de las hojas?
La clasificación se realiza mediante una Red Neuronal Convolucional Cuántica (QCNN), cuyos resultados son comparados con los obtenidos a través de una red neuronal convolucional clásica (CNN).
¿Cuáles son los resultados preliminares del sistema?
Los resultados preliminares muestran un buen comportamiento del sistema en condiciones favorables, aunque hay limitaciones en situaciones más complejas, como el solapamiento foliar.
¿Qué impacto tiene este enfoque en la agricultura?
Este enfoque puede contribuir a la detección temprana de afecciones foliares, lo que ayuda a reducir pérdidas de cosecha y disminuir la dependencia de pesticidas, mejorando así la sostenibilidad agrícola.
¿En qué tipo de cultivos se ha aplicado el sistema?
El sistema se ha aplicado al análisis de hojas de fresa cultivadas en invernadero, pero la metodología podría extenderse a otros cultivos con sintomatología foliar visible.
¿Cuál es el potencial tecnológico del trabajo presentado?
El trabajo valida la viabilidad de soluciones híbrido-cuánticas para el análisis de imágenes agrícolas y presenta un alto potencial de escalabilidad y mejora continua con el avance de algoritmos y hardware cuántico.
Si (
No(
