Aplican aprendizaje profundo a la agricultura para reducir costos y aumentar su la calidad

El aprendizaje profundo o deep learning implica el diseño de redes neuronales artificiales y el uso de miles o millones de datos para su entrenamiento. Se implementan mediante programas de computadora donde se crean redes de miles de neuronas artificiales. Estos modelos tratan de imitar el funcionamiento de una red neuronal biológica, donde una neurona tiene dendritas y axón; las primeras son entradas y el segundo su salida.

Una red neuronal procesa miles de imágenes para entrenar un modelo computacional capaz de extraer, identificar y aprender características propias de las plantas, tales como: bordes, hojas, manchas, puntos o cambios de color, entre otros; a las redes neuronales se le proporcionan imágenes muestra de lo que se desea clasificar o detectar y los modelos de manera automática establecen jerarquías, en un proceso parecido al del cerebro.

En este contexto, en la Planeación Agrícola Nacional 2019-2030, de la Secretaría de Agricultura, Ganadería, Desarrollo Rural, Pesca y Alimentación, se indica que en 2016 el Producto Interno Bruto generado por el sector agroalimentario fue de 8.45 por ciento, además señala como quinto y sexto motor de planeación a la investigación, innovación y desarrollo tecnológico aplicado al campo.

Ante la necesidad de emplear procesos científicos en la producción agrícola, un grupo de investigación, liderado por Reyes Ríos Cabrera, aplica aprendizaje profundo o deep learning en la agricultura con el objetivo de reducir las pérdidas, incrementar la calidad y reducir el costo de producción en el campo; su uso permite identificar enfermedades de las plantas en etapas iniciales, contar frutos, segmentar el follaje o realizar mapas de los cultivos.

“Estamos trabajando en la identificación de la enfermedad conocida como cenicilla, una especie de polvo blanco que se produce en las hojas de las plantas de diversas variedades de hortalizas, para ello generamos imágenes de ejemplares sanos y enfermos, con el propósito de entrenar un modelo capaz de detectar plantas enfermas”, explicó Ríos Cabrera, investigador del Cinvestav Unidad Saltillo.

Esta tecnología se aplica en invernaderos o a cielo abierto, se realiza a partir de escaneos con drones que generan imágenes a color, infrarrojas y otros espectros; normalmente se analizan seis espectros y cada uno dice algo de la planta, por ejemplo, cuando está muy estresada, su fotosíntesis es diferente y con la imagen infrarroja se pueden ver manchas, porque su refracción a luz varía; además con el escaneo se puede hacer un mosaico en diferentes canales y después analizarlo.

En deep learning un filtro funciona como una neurona o unidad básica con valores aprendidos que se multiplican con pixeles de entrada y luego se suman para obtener una reacción y generar una salida binaria o analógica. La neurona es un poco “tonta”, porque no puede hacer mucho, pero cuando se une con miles o millones en diferentes capas, aprende y es ahí donde genera el conocimiento y es capaz de superar a los humanos en varias tareas.

Una red neuronal es un conjunto de unidades básicas, como una célula, y en su diseño se crean por ejemplo entre cinco y 10 mil neuronas en una primera capa y todas sus salidas se conectan a una segunda capa, que podría tener un número similar, y así sucesivamente; su arquitectura varia, en las primeras capas podrían tener 5 mil neuronas e ir bajando el número hasta llegar a la última capa que podrían ser cien o incluso dos, donde cada neurona final diga si una planta está enferma o no.

Las primeras capas se comportan como filtros básicos que reaccionan con bordes, colores o texturas y conforme van avanzado, las capas más intermedias generan conceptos más complejos como ojos, letras, cabello, tipo de materiales, círculos o cuadrados; las últimas se especializan más en la clase y en armar conceptos abstractos, como ser humano, o vehículo.

Esta tecnología se puede aplicar a la agricultura utilizando imágenes para clasificar frutos, identificar enfermedades, contar hortalizas y también es capaz de reconocer plagas. También se pueden combinar parámetros o valores como humedad, salinidad y pH, en cuyo caso ya no sería con imágenes, en su lugar se diseñan con lecturas de sensores; así al usar valores de humedad, radiación solar o cantidad de agua recibida se pueden encontrar patrones y saber las condiciones en que se presentó una plaga.

El objetivo de esta investigación es que el uso de la tecnología de deep learning se generalice entre los productores, “nos interesa ir más allá de las patentes, papers o tesis, con el objetivo de aplicarla en una situación real; es muy difícil que un artículo de investigación sea leído fuera del ámbito científico, regularmente se queda en el estado del arte, hasta 95 por ciento de la producción científica no es aplicable directamente, entonces me interesa llevarla a su punto de aplicación para tener un impacto social”, aseguró Reyes Ríos Cabrera.