La iniciativa apunta a mejorar el monitoreo, reducir costos y alcanzar hasta 98% de precisión en la identificación de insectos.
El Iscamen ha comenzado a usar inteligencia artificial para el reconocimiento de plagas
Foto:
El Instituto de Sanidad y Calidad Agropecuaria Mendoza (Iscamen) desarrolló un sistema de monitoreo de plagas basado en inteligencia artificial, con el objetivo de contar con una herramienta autónoma de detección y análisis en cultivos y áreas alejadas. Permitirá generar información en tiempo real para la toma de decisiones vinculadas a la aplicación de tratamientos fitosanitarios y al manejo productivo.
El desarrollo se apoya en un modelo de machine learning aplicado a trampas digitales, y en una primera etapa busca consolidarse como una opción eficiente para el seguimiento de plagas en campo. A futuro, además, el sistema incorporará la captura de datos clave para la gestión sanitaria, como temperatura y humedad ambiental.
El proyecto surgió a partir de la actualización de un sistema previo de trampas digitales que dependía de proveedores externos. Con esta nueva etapa, Iscamen apunta a optimizar los procesos de captura y procesamiento de datos, reducir costos de actualización y mantenimiento, y generar una tecnología que pueda ser accesible para productores de Mendoza y de otras regiones del país.
Actualmente, la red cuenta con 15 trampas activas, de las cuales cuatro están instaladas en establecimientos agrícolas privados. A esto se suman 20 módulos adicionales que permitirán escalar el sistema en el corto plazo. El objetivo es alcanzar una red de 60 dispositivos plenamente operativos.
El modelo se encuentra en fase de aprendizaje en campo, una etapa clave para su adaptación a distintas condiciones ambientales. Este proceso se desarrolla bajo un esquema de aprendizaje supervisado y retroalimentación continua, a partir de los análisis de laboratorio sobre los datos recolectados en terreno. La meta es lograr un 98% de precisión en la detección de insectos.
En esta fase se prevé procesar y etiquetar unas 5.000 imágenes representativas, que incluyan distintos escenarios de iluminación, niveles de suciedad en las trampas, superposición de ejemplares e interferencias visuales. Este ajuste progresivo permitirá afinar la capacidad de detección del modelo YOLOv8, de modo de asegurar resultados consistentes incluso bajo condiciones variables de captura.
Como próximo paso, el organismo avanzará en la validación del sistema en fincas seleccionadas y en la ampliación de su capacidad de reconocimiento a otras especies de interés sanitario y productivo. El desarrollo marca un avance hacia un sistema integral de análisis y gestión de plagas sustentado en ciencia aplicada e innovación tecnológica.