Las enfermedades foliares representan una amenaza importante para la productividad agrícola y la gestión fitosanitaria, especialmente debido a su rápida propagación en los cultivos. La inspección manual de las plantas, método tradicional para detectar este tipo de afecciones, presenta diversas limitaciones: se trata de un proceso lento, subjetivo y difícil de escalar a grandes superficies de cultivo. Además, cuando los síntomas son visibles, en muchos casos puede ser demasiado tarde para aplicar medidas de control eficaces, lo que incrementa el riesgo de pérdidas en la producción.
En este contexto, el demostrador FresQia presenta una prueba de concepto para la detección automática de síntomas foliares mediante visión artificial y computación cuántica, con el objetivo de apoyar la monitorización agronómica automatizada de los cultivos.
La solución propuesta implementa un seguimiento automático del estado de las plantas mediante sistemas de visión artificial, integrando técnicas de computación cuántica para el análisis de patrones visuales complejos. El enfoque compara modelos clásicos con Redes Neuronales Convolucionales Cuánticas (QCNN), explorando el potencial de los modelos híbridos en aplicaciones de agricultura de precisión.
Metodología
El sistema desarrollado se estructura en tres etapas principales.
La primera etapa consiste en la captura de imágenes en un entorno de cultivo controlado en invernadero, aprovechando condiciones de iluminación estable que permiten obtener imágenes de alta calidad. Las imágenes se toman sobre una línea de cultivo de macetas con separaciones habituales entre plantas, lo que facilita la identificación individual de cada planta y reduce el solapamiento foliar. Aun así, el sistema debe afrontar retos propios de estos entornos, como el solapamiento entre hojas o la presencia de elementos de fondo, como malas hierbas o plagas.
La segunda etapa corresponde a la detección automática de las hojas dentro de cada imagen. Para ello se utiliza una arquitectura de detección de objetos de una sola etapa ampliamente utilizada en aplicaciones de visión artificial por su equilibrio entre precisión y eficiencia. El sistema genera automáticamente recortes de cada hoja detectada, escalados a 16×16 píxeles a partir de la imagen original. Este proceso permite aislar la información relevante y optimizar los datos que posteriormente serán procesados por el clasificador.
La tercera etapa corresponde a la clasificación de las hojas, con el objetivo de determinar si la hoja está sana o presenta síntomas de afección foliar. Esta clasificación se realiza mediante una Red Neuronal Convolucional Cuántica (QCNN), cuyos resultados se comparan con los obtenidos mediante una red neuronal convolucional clásica (CNN).
Los experimentos se realizaron utilizando una plataforma de emulación cuántica sobre infraestructuras HPC clásicas, desarrollada y mantenida por CTIC. La plataforma QUTE se encuentra disponible para la comunidad investigadora y permite la ejecución y extensión de los experimentos presentados, previa solicitud de acceso.
Resultados
Los resultados preliminares muestran un buen comportamiento del sistema en condiciones de iluminación favorables y cuando los síntomas en las hojas son claramente visibles.
Sin embargo, se identifican algunas limitaciones en situaciones más complejas, como en casos de solapamiento foliar o cuando las hojas aparecen parcialmente ocultas en la imagen. El trabajo analiza estas limitaciones y plantea posibles mejoras para aumentar la robustez del sistema en entornos agrícolas reales.
Impacto y potencial de aplicación
El objetivo de este enfoque es favorecer la detección temprana de afecciones foliares, lo que puede contribuir a reducir las pérdidas de cosecha y disminuir la dependencia de pesticidas, mejorando así la sostenibilidad de la producción agrícola.
En este estudio, el sistema se ha aplicado al análisis de hojas de fresa cultivadas en invernadero, aunque la metodología podría extenderse a otros cultivos que presenten sintomatología foliar visible.
Desde el punto de vista tecnológico, el trabajo valida la viabilidad de soluciones híbrido-cuánticas para el análisis de imágenes agrícolas. La arquitectura propuesta es compacta y eficiente, requiere menos datos de entrenamiento y un menor consumo de memoria que muchos modelos clásicos, lo que facilita su posible integración en dispositivos agrícolas y sistemas de monitorización de campo.
Además, el enfoque presenta un alto potencial de escalabilidad, con posibilidades de mejora continua a medida que evolucionen los algoritmos y el hardware cuántico.
En este vídeo resumen puedes conocer FresQia.