U-Net ligero optimizado y marco YOLACT para la detección de gravedad de múltiples enfermedades en hojas de frutas pomáceas

Por qué importan las inspecciones de hojas más inteligentes

Los agricultores que cultivan manzanas y peras saben que las manchas y las lesiones foliares pueden propagarse rápidamente y reducir la cosecha silenciosamente. Recorrer los huertos y juzgar las enfermedades a simple vista es lento y a menudo incierto, especialmente cuando más de una infección ataca la misma hoja. Este estudio presenta un enfoque automatizado basado en cámara que puede detectar varias enfermedades en una sola hoja de fruta pomácea y estimar la gravedad de cada infección, ofreciendo una vía práctica hacia controles de salud del cultivo más rápidos y fiables.

Ver más allá del ojo humano

Los investigadores se centran en frutas pomáceas como manzanas y peras, que son particularmente vulnerables a enfermedades foliares que dañan la calidad del fruto y reducen el rendimiento. La inspección tradicional depende de expertos que evalúan visualmente el tamaño y el color de los síntomas, un proceso que lleva tiempo y puede variar entre personas. Los huertos reales también añaden fondos abarrotados, cambios de iluminación y hojas que se solapan o se rizan. El equipo se propuso construir una herramienta capaz de manejar todo este ruido visual, trabajar con fotografías en color ordinarias y aun así distinguir múltiples infecciones superpuestas en una sola hoja mientras valora el grado de avance de cada enfermedad.

Una visión en dos pasos de las hojas enfermas

Para abordarlo, el estudio emplea una canalización visual digital dual. Primero, una versión depurada de una red popular en imagen médica, llamada Lite U Net, se entrena para separar la hoja de su entorno y marcar las áreas enfermas generales. Este paso elimina ramas, cielo y suelo, garantizando que el análisis posterior se concentre únicamente en el tejido vegetal. A continuación, una versión aligerada de otra red, Lite YOLACT, se centra aún más para identificar cada parche enfermo distinto como un objeto independiente. En conjunto, estos dos pasos permiten que el sistema reconozca que una sola hoja puede, por ejemplo, presentar tanto sarna como roya, cada una con su propio tamaño y extensión.

Convertir manchas en puntuaciones simples

Una vez delineada cada área enferma, el método mide qué proporción de la superficie de la hoja cubre cada infección. Los autores diseñan una nueva escala de severidad de nueve niveles que traduce estos porcentajes en etapas fáciles de entender, desde pequeñas manchas iniciales hasta daños casi totales. La escala está preparada para manejar dos enfermedades a la vez, describiendo si ambas son leves, ambas avanzadas o una claramente dominante sobre la otra. Para ayudar a que los usuarios confíen en el sistema, los investigadores añaden una técnica de visualización llamada Grad CAM que genera mapas de calor, mostrando qué partes de la hoja influyeron en la decisión del modelo sobre la gravedad de las infecciones.

Pruebas en huertos y laboratorios digitales

El equipo entrena y evalúa su enfoque en dos grandes colecciones públicas de imágenes de hojas de manzano y peral. Estos conjuntos de datos incluyen varias enfermedades comunes, fotografiadas en condiciones reales de campo y etiquetadas por especialistas en salud vegetal. Tras un cuidadoso preprocesado, balanceo de datos y entrenamiento en hardware gráfico moderno, el sistema combinado alcanza aproximadamente un 95 por ciento de precisión al clasificar la severidad de múltiples enfermedades. También funciona con eficiencia: al usar diseños de red compactos y formas inteligentes de compartir cálculos, el modelo necesita menos operaciones y memoria que muchos sistemas de aprendizaje profundo estándar, lo que lo hace adecuado para teléfonos o dispositivos edge utilizados directamente en el campo.

Qué significa esto para los agricultores

En términos prácticos, este trabajo demuestra que una cámara económica más un modelo de inteligencia artificial ligero pueden detectar y clasificar con fiabilidad varias enfermedades foliares a la vez en manzanas y peras. En lugar de conjeturas visuales aproximadas, los agricultores podrían recibir estimaciones numéricas consistentes sobre qué porcentaje de cada hoja está infectado y hasta qué punto ha avanzado cada enfermedad. Aunque el método todavía necesita pruebas más amplias en más cultivos y condiciones, apunta hacia exploradores digitales prácticos que ayuden a los agricultores a actuar antes, dirigir tratamientos con mayor precisión y reducir tanto el desperdicio como el uso de productos químicos en los huertos.

Cita: Qasim, M., Adnan, S.M. & Safi, Q.G.K. Optimized Lightweight U-Net and YOLACT framework for multi-disease severity detection in pome fruit leaves. Sci Rep 16, 15132 (2026). https://doi.org/10.1038/s41598-026-45947-7

Palabras clave: detección de enfermedades de plantas, enfermedades de hojas de manzano, enfermedades de hojas de peral, aprendizaje profundo en agricultura, clasificación de severidad de enfermedades