Los cítricos, uno de los cultivos frutales más valiosos del mundo, se encuentran en una encrucijada con una desaceleración del crecimiento de la producción y un enfoque en mejorar la calidad de la fruta y los procesos postcosecha. Una clave para esto es comprender el cambio de color en los cítricos, un indicador clave de la madurez de la fruta, tradicionalmente medido por el juicio humano.
Los avances recientes en visión artificial y redes neuronales ofrecen un análisis del color más objetivo y sólido, pero existen dificultades con las condiciones variables y con la traducción de los datos del color en evaluaciones prácticas de madurez.
Siguen existiendo lagunas en la investigación para predecir la transformación del color a lo largo del tiempo y desarrollar técnicas de visualización fáciles de usar. Además, implementar estos algoritmos avanzados en dispositivos de vanguardia en la agricultura es un desafío debido a sus capacidades informáticas limitadas, lo que destaca la necesidad de tecnologías optimizadas y eficientes en este campo.
En junio de 2023, Plant Phenomics publicó un artículo de investigación titulado «Predicción y visualización de la transformación del color de los cítricos mediante una red generativa profunda guiada por máscaras «. En este estudio, los investigadores desarrollaron un marco novedoso para predecir y visualizar la transformación del color de los cítricos en huertos, lo que llevó a la creación de una aplicación para Android. Este modelo de red procesa imágenes de cítricos y un intervalo de tiempo específico, generando una futura imagen de la fruta a color.
El conjunto de datos, que abarca 107 imágenes de frutos de naranja capturadas durante la transformación de color, fue crucial para entrenar y validar la red. El marco utiliza una red generativa profunda guiada por máscaras para predicciones precisas y tiene un diseño que requiere menos recursos, lo que facilita la implementación en dispositivos móviles. Los resultados clave incluyen lograr una intersección media sobre unión (MIoU) alta para la segmentación semántica, lo que indica la competencia de la red en diferentes condiciones.
La red también se destacó en la predicción y visualización del color de los cítricos, lo que se demuestra por una alta relación señal-ruido (PSNR) y una baja pérdida de estilo local media (MLSL), lo que indica menos distorsión y alta fidelidad de las imágenes generadas. La solidez de la red generativa fue evidente en su capacidad para replicar la transformación de color con precisión, incluso con diferentes ángulos de visión y colores de frutos de naranja.
Además, el diseño combinado de la red, que incorpora capas integradas, permitió predicciones precisas en diversos intervalos de tiempo con un solo modelo, lo que redujo la necesidad de múltiples modelos para diferentes marcos de tiempo. Los paneles sensoriales validaron aún más la efectividad de la red, y la mayoría encontró una gran similitud entre las imágenes sintetizadas y las reales.
En resumen, el enfoque innovador de este estudio permite un seguimiento más preciso del desarrollo de la fruta y el momento óptimo de cosecha, con aplicaciones potenciales que se extienden a diferentes especies de cítricos y cultivos frutales. La adaptabilidad del marco a dispositivos de vanguardia como los teléfonos inteligentes lo hace muy práctico para uso en el campo, lo que demuestra el potencial de los modelos generativos en la agricultura y más allá.
Referencias: TranSpread. (27 de Noviembre de 2023). PHYS ORG. Obtenido de Advanced AI techniques for predicting and visualizing citrus fruit maturity: https://phys.org/news/2023-11-advanced-ai-techniques-visualizing-citrus.html
Quimcasa de México 