La fusión transformada Gaussian-Haar mejora DEIM para la detección de madurez en granadas

Cosechas más inteligentes para un mundo en crecimiento

Saber exactamente cuándo una fruta está lista para la recolección es una de las decisiones más importantes —y más difíciles— en la agricultura. Este estudio aborda ese problema para la granada, un cultivo de creciente importancia económica y nutricional. En lugar de depender de la vista humana o de lentas pruebas de laboratorio, los autores presentan un sistema de inteligencia artificial compacto que puede analizar fotos ordinarias tomadas en huertos reales y determinar en qué fase de desarrollo se encuentra cada granada, desde pequeños brotes hasta frutos completamente maduros. Su objetivo es que la cosecha automatizada, la predicción de rendimiento y la gestión del huerto sean más rápidas, precisas y viables incluso en dispositivos de bajo consumo.

Por qué es difícil ver el crecimiento de la granada

En los huertos reales, detectar granadas no es tan sencillo como parece. A principios de temporada, los frutos pequeños y verdes casi desaparecen entre las hojas densas, lo que confunde a muchos métodos de visión por ordenador que se basan principalmente en el color. Más adelante, los frutos en maduración pueden quedar parcialmente ocultos por el follaje o sumidos en sombras intensas por la luz desigual, lo que hace que los algoritmos sitúen las cajas de detección en el lugar equivocado o que no detecten los frutos. La mayoría de los sistemas previos también se centran en la fruta tras la cosecha o en un único punto del ciclo de crecimiento, lo que limita su utilidad para planificar riego, fertilización y control de plagas a lo largo de toda la temporada. Además, los modelos muy precisos suelen ser demasiado grandes y consumidores de energía para ejecutarse en los pequeños ordenadores de los robots de campo y dispositivos en el borde.

Enseñar a una cámara a ver más allá del color

Para superar estos obstáculos, los investigadores construyeron un nuevo sistema de detección que llaman GLMF-DEIM. Primero, reunieron un conjunto de datos especializado de 5.855 imágenes de alta calidad tomadas en huertos de Shandong, China, capturadas entre abril y octubre bajo diversas condiciones de luz y clima. Expertos etiquetaron 11.482 brotes, flores y frutos de granada individuales, dividiéndolos en cinco etapas de crecimiento y tres rangos de tamaño. Esta colección rica permite que el modelo aprenda cómo se ven las granadas en cada paso del desarrollo, desde brotes diminutos y cerrados hasta frutos grandes y de color brillante, y cómo aparecen según la hora del día y el grado de cobertura por hojas.

Fijarse en la textura y el detalle, no solo en el color

El núcleo de GLMF-DEIM son un conjunto de trucos ingeniosos que ayudan al ordenador a distinguir fruta de follaje y a detectar rasgos pequeños y sutiles sin desperdiciar cálculos. Un módulo frontal utiliza una operación matemática similar a dividir el sonido en notas graves y agudas. Descompone la imagen en regiones suaves y bordes nítidos, tras suavizar primero el ruido de fondo más pequeño. Dado que las pieles de las granadas son relativamente lisas mientras que las hojas forman un fondo ocupado y texturizado, esta visión basada en frecuencias facilita separarlas incluso cuando comparten el mismo tono de verde. Otros módulos ligeros adaptan cómo se reduce la imagen de tamaño para preservar detalles de superficie importantes ligados a la madurez, y aprenden a prestar atención especial a la información distribuida en distintas escalas espaciales, desde brotes pequeños hasta grandes frutos maduros.

Ver cada fruto, grande o pequeño

Más allá de reconocer texturas individuales, el sistema debe manejar frutos de muchos tamaños dispersos por la escena. Para ello, los autores diseñan una red de fusión de características que construye una especie de pirámide de representaciones de la imagen. En niveles superiores, el modelo captura formas amplias; en niveles inferiores, retiene bordes y patrones finos. La información fluye tanto hacia arriba como hacia abajo en esta pirámide para que cada capa de detección entienda tanto el contexto como el detalle local. La cabeza de detección usa entonces una arquitectura moderna de "transformer" —una forma de modelar relaciones entre muchos puntos de una imagen a la vez— combinada con una estrategia de entrenamiento refinada que le proporciona ejemplos densamente variados y una función de pérdida que penaliza tanto los errores demasiado confiados como las predicciones poco confiadas. En conjunto, estas elecciones ayudan al sistema a converger rápidamente y a mantenerse robusto en escenas difíciles con frutos superpuestos y fondos recargados.

Mejor precisión con menos potencia de cálculo

En pruebas comparativas frente a sistemas líderes de detección de objetos, el nuevo enfoque sale vencedor. Identifica correctamente las granadas maduras con aproximadamente un 93 por ciento de precisión en una configuración de evaluación estándar y mantiene un rendimiento fuerte incluso bajo reglas de puntuación más estrictas. Muestra mejoras especialmente notables en objetivos pequeños y difíciles de detectar, al tiempo que sigue destacando en frutos grandes. Al mismo tiempo, utiliza muchas menos operaciones y parámetros que los modelos de gran envergadura, lo que lo hace adecuado para desplegarse en robots de campo, drones o estaciones de monitorización de bajo coste. En términos prácticos, esto significa que un dispositivo con cámara podría recorrer un huerto de granadas, seguir de forma fiable cómo progresa la fruta de cada árbol y ayudar a los agricultores a decidir cuándo y dónde cosechar o intervenir —todo ello sin necesitar un superordenador en el granero.

Cita: Wang, Y., Liu, S., Hao, P. et al. Gaussian-Haar transform fusion enhances DEIM for pomegranate maturity detection. Sci Rep 16, 8246 (2026). https://doi.org/10.1038/s41598-026-39620-2

Palabras clave: detección de granadas, madurez de la fruta, agricultura inteligente, visión por ordenador, modelos de aprendizaje profundo