FresQia: Innovador sistema para detectar enfermedades foliares con inteligencia artificial y computación cuántica

Las enfermedades foliares constituyen un desafío significativo para la productividad agrícola y la gestión fitosanitaria, debido a su rápida propagación en los cultivos. La inspección manual de las plantas, que ha sido el método tradicional para detectar estas afecciones, presenta diversas limitaciones: es un proceso lento, subjetivo y difícil de aplicar en grandes extensiones agrícolas. Además, cuando los síntomas se vuelven visibles, a menudo es demasiado tarde para implementar medidas de control efectivas, lo que aumenta el riesgo de pérdidas en la producción.

En este contexto, surge el demostrador FresQia, una 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.

La solución propuesta permite 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 relacionadas con la agricultura de precisión.

Metodología del sistema

El sistema desarrollado se organiza en tres etapas clave.

La primera etapa implica la captura de imágenes en un entorno controlado dentro de un invernadero, donde se aprovechan condiciones estables de iluminación que permiten obtener imágenes de alta calidad. Las fotografías se toman sobre líneas de cultivo con separaciones habituales entre plantas, facilitando así la identificación individual y minimizando el solapamiento foliar. Sin embargo, el sistema enfrenta retos inherentes a estos entornos, 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 las hojas dentro de cada imagen. Para ello, se emplea una arquitectura ampliamente utilizada en aplicaciones de visión artificial que ofrece un balance adecuado entre precisión y eficiencia. A partir del análisis inicial, el sistema genera automáticamente recortes escalados a 16×16 píxeles, lo que permite optimizar los datos relevantes que serán procesados posteriormente por el clasificador.

Clasificación y resultados preliminares

La tercera etapa consiste en clasificar las hojas para determinar si están sanas o si presentan síntomas de afecciones foliares. Esta clasificación se realiza mediante una Red Neuronal Convolucional Cuántica (QCNN), cuyos resultados son comparados con aquellos obtenidos a través de una red neuronal convolucional clásica (CNN).

Los experimentos fueron llevados a cabo 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 tras solicitar acceso.

Los resultados preliminares indican que el sistema muestra un rendimiento satisfactorio 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 en las imágenes. Este trabajo analiza dichas limitaciones y propone mejoras para aumentar la robustez del sistema en entornos agrícolas reales.

Potencial impacto y aplicación

El propósito fundamental de esta metodología es favorecer la detección temprana de afecciones foliares, contribuyendo así a reducir las pérdidas durante la cosecha y disminuir la dependencia del uso de pesticidas, mejorando la sostenibilidad en la producción agrícola.

Aunque este estudio se ha centrado en el análisis de hojas de fresa cultivadas en invernadero, existe potencial para extender esta metodología a otros cultivos que presenten sintomatología foliar visible.

Tecnológicamente, esta investigación valida la viabilidad de soluciones híbrido-cuánticas para el análisis agrícola. La arquitectura propuesta resulta ser compacta y eficiente; requiere menos datos para su entrenamiento y consume menos memoria que muchos modelos tradicionales, lo cual facilita su integración en dispositivos agrícolas y sistemas avanzados de monitoreo.

A medida que evolucionen tanto los algoritmos como el hardware cuántico, este enfoque también presenta un alto potencial para escalarse y mejorar continuamente.

Puedes conocer más sobre FresQia a través del siguiente vídeo resumen.

Preguntas sobre la noticia