Se estima que el rendimiento potencial de los cultivos a nivel mundial podría reducirse hasta un 43% en ausencia de un control efectivo de las malas hierbas, por lo que realizar una gestión integrada de las malas hierbas se convierte en un componente esencial en la planificación de los cultivos.

Uno de los métodos más usados para combatir las malas hierbas es el uso de herbicidas que se aplican mediante pulverización homogénea de toda el área cultivada. Los sistemas actuales de escarda integran diferentes tecnologías, por ejemplo, utilizan sistemas de posicionamiento global (GPS), sensores ópticos y algoritmos computacionales que integrados en un solo conjunto permiten realizar una escarda de precisión, aplicando herbicidas de forma variable, entregando una cantidad especifica en el lugar exacto donde se encuentra la maleza, además de crear mapas detallados de la variabilidad del campo.

Desde hace algunos años se encuentran comercialmente desarrollos que utilizan métodos de aplicación de herbicidas de tasa variable, como 'Blue River Technology' de John Deere, 'WeedSeeker' de Trimble o Bosch 'Smart Agriculture', entre otros. Estos desarrollos usan algoritmos basados en visión artificial e inteligencia artificial (IA) para reconocer las malas hierbas en campo en tiempo real. Una técnica reciente de escarda de precisión es la eliminación de las malas hierbas mediante Láser.

Este desarrollo es altamente eficiente en la identificación de las malas hierbas, además de reducir significativamente los impactos ambientales. Por lo tanto, los investigadores del sector agrícola se enfocan en adoptar y mejorar las diferentes tecnologías que integran la escarda de precisión, con el fin de aumentar la eficiencia de las aplicaciones. Por ejemplo, para mejorar la precisión de la detección de las malas hierbas se utilizan arquitecturas de Redes Neuronales Convolucionales o, en inglés, Convolutional Neural Networks (CNNs). Estas son una aplicación destacada del Deep Learning, una rama de la IA que busca imitar la capacidad del cerebro humano para aprender y procesar datos, especialmente en tareas relacionadas con el procesamiento de imágenes y reconocimiento visual.

La implementación de las CNN implica una serie de etapas. En primer lugar, se lleva a cabo la preparación de los datos, que incluye la adquisición y etiquetado de imágenes. En segundo lugar, se procede con la selección y configuración de la CNN, lo que implica ajustar los hiperparámetros del modelo. En tercer lugar, se realiza el entrenamiento de la CNN, que generalmente se realiza utilizando unidades gráficas de procesamiento (GPU). Posteriormente, en la cuarta fase, se evalúa el rendimiento del modelo utilizando métricas estándar como la precisión media (mAP) y la matriz de confusión. Finalmente, como quinto paso, el modelo entrenado se despliega en aplicaciones del mundo real para su utilización práctica.

+ Leer la noticia completa