Un nuevo método de conteo de hojas para plantas de tabaco en campo basado en imágenes UAV y un PointNext mejorado

Por qué importa contar hojas desde el cielo

Saber cuántas hojas tiene un cultivo puede parecer un detalle menor, pero para los agricultores de tabaco es una ventana directa a la salud de la planta y al rendimiento futuro. Hoy en día, los trabajadores todavía recorren los campos y cuentan las hojas a mano, una tarea lenta, fatigosa y costosa que no escala a plantaciones modernas. Este estudio muestra cómo los drones, la imagen 3D y la inteligencia artificial pueden combinarse para contar automáticamente las hojas de plantas de tabaco en campos reales, ofreciendo una forma más rápida y precisa de orientar la fertilización, predecir cosechas y apoyar el mejoramiento de variedades.

De los vuelos de drones a una vista 3D del campo

Los investigadores recurrieron primero a los drones como cámaras voladoras. Volaron un cuadricóptero comercial sobre campos de tabaco en Yunnan, China, tomando fotografías de alta resolución desde varias alturas y ángulos pronunciados alrededor de las parcelas de interés. Con software de fotogrametría, estas imágenes solapadas se cosieron en modelos tridimensionales detallados de las plantas. Cada planta se extrajo luego como su propia nube de puntos en el espacio 3D, donde cada punto representa un pequeño parche en un tallo, una hoja o elementos circundantes como el suelo y el follaje vecino. Este paso transforma imágenes planas en una descripción 3D rica que puede revelar hojas incluso cuando se solapan en fotografías ordinarias.

Enseñar a un ordenador a ver hojas individuales

Para aprovechar estas nubes de puntos 3D, el equipo construyó un gran conjunto de datos cuidadosamente etiquetado. Recogieron 1.000 modelos de plantas individuales y etiquetaron manualmente cada punto como perteneciente a hojas objetivo, tallos, otras plantas o ruido. Con este material de entrenamiento, refinaron una moderna red de aprendizaje profundo 3D conocida como PointNext hasta una nueva versión adaptada a cultivos de campo, llamada SRW-PointNext. Se añadieron tres mejoras clave: un módulo de atención que ayuda a la red a centrarse en los patrones espaciales y de color más informativos; una función de pérdida revisada que evita que los abundantes puntos de hoja opaquen clases más raras como tallos y fondo; y una cabeza de salida reforzada que recupera mejor los detalles finos cuando partes de la nube de puntos faltan o son desiguales.

Convertir nubes segmentadas en conteos de hojas

Una vez que SRW-PointNext aprendió a etiquetar cada punto 3D, el modelo pudo separar la nube de una planta en sus partes de hoja y no hoja. Pero los científicos aún necesitaban saber cuántas hojas reales había. Para ello recurrieron a un enfoque de agrupamiento llamado MeanShift. En términos simples, el algoritmo busca bolsillos densos de puntos de hoja en tres dimensiones, siendo cada bolsillo denso correspondiente a una hoja. La elección de un único parámetro de “bandwidth” controla cuán apretadamente o flojamente el algoritmo agrupa los puntos. Un ajuste demasiado pequeño hace que una hoja se divida en agrupaciones artificiales, inflando el conteo; uno demasiado grande fusiona hojas cercanas, reduciendo el conteo. Afinando cuidadosamente este parámetro, los investigadores pudieron agrupar los puntos segmentados de hoja en hojas individuales realistas.

Qué tan bien funcionó el método

Para evaluar la precisión, el equipo comparó los conteos automatizados con recuentos manuales minuciosos para 230 plantas de campo. Su flujo—captura con drones, reconstrucción 3D, segmentación con SRW-PointNext y luego agrupamiento MeanShift—alcanzó una precisión en el conteo de hojas de alrededor del 92,6 por ciento. La red mejorada también logró una segmentación de alta calidad: aproximadamente un 92 por ciento de precisión y una intersección sobre unión media del 76 por ciento, superando a varios métodos populares de nubes de puntos 3D como PointNet, PointNet++, RandLA-Net y el PointNext original. Es importante destacar que esta ganancia en precisión vino con solo un aumento modesto en el coste computacional, lo que sugiere que el enfoque es práctico para levantamientos a gran escala.

Qué significa esto para la agricultura futura

Para un no especialista, el mensaje central es sencillo: combinando drones, modelado 3D y un modelo de IA mejorado, los investigadores pueden ahora contar hojas de tabaco en campos reales casi con la misma fiabilidad que las personas, pero mucho más rápido y en áreas mucho mayores. Esto traslada el conteo de hojas de los portapapeles y las botas en el campo a un proceso automatizado y rico en datos que puede integrarse en sistemas digitales de gestión de cultivos. Aunque el trabajo actual se centra en tabaco en una fase de crecimiento y depende de buenas reconstrucciones 3D, la misma estrategia podría extenderse a otros cultivos y estaciones. Con el tiempo, estas herramientas podrían convertirse en ayudas rutinarias para los agricultores, ayudándoles a monitorizar el crecimiento de las plantas, ajustar insumos y seleccionar variedades de mejor rendimiento con mucho menos esfuerzo manual.

Cita: Nan, D., Li, J., Liang, H. et al. A novel leaf counting method for field tobacco plants based on UAV imagery and an improved PointNext. Sci Rep 16, 11052 (2026). https://doi.org/10.1038/s41598-026-41365-x

Palabras clave: fenotipado del tabaco, agricultura con drones, nubes de puntos 3D, conteo de hojas, aprendizaje profundo en agricultura