La detección temprana del hongo mildiu (phytophthora infestans) en los cultivos de patata es esencial para prevenir pérdidas de la cosecha y aumentar la calidad del producto final. En este contexto, la combinación de aprendizaje automático y sensores de proximidad se postula como una técnica capaz de lograr esta detección de forma eficiente y eficaz. No obstante, los modelos de IA de la literatura especializada se han desarrollado a partir de imágenes tomadas en el laboratorio hoja a hoja, lo que no representa las condiciones de campo y limita su aplicabilidad.

En este estudio presentamos el primer modelo de aprendizaje automático capaz de detectar síntomas leves de mildiu en cultivos de patata mediante el análisis de imágenes RGB de alta resolución capturadas directamente en el campo, superando las limitaciones del resto de publicaciones de la literatura y presentando una aplicabilidad real. Nuestra propuesta se basa en redes neuronales convolucionales profundas, con función de pérdida focal. Además, desarrollamos un esquema de pre-procesamiento que permite entrenar estas redes neuronales a partir de pocas imágenes de alta resolución, acelerando la llegada de estos modelos a la práctica.

Nuestro modelo detecta correctamente todos los casos de mildiu en el conjunto de datos de prueba, mostrando un alto nivel de precisión y efectividad en la detección de síntomas tempranos. Estos prometedores resultados refuerzan el posible uso de aprendizaje automático para la detección temprana de enfermedades y plagas en agricultura, lo que permitirá un mejor tratamiento y reducción de su impacto en el cultivo.