El Instituto de Sanidad y Calidad Agroalimentaria Mendoza (Iscamen) desarrolló un sistema propio de machine learning para el reconocimiento de plagas -como la lobesia botrana que afecta a las vides- mediante trampas. Este desarrollo busca generar, en primera instancia, una opción de monitoreo de plagas en cultivos y áreas alejadas. Además, permitirá, a futuro, la toma de datos claves para el manejo de plagas como temperatura y humedad ambiental.
El Instituto de Sanidad y Calidad Agropecuaria Mendoza (Iscamen), ha llevado adelante un sistema propio de monitoreo de plagas basado en inteligencia artificial. Esta innovación tecnológica tiene como objetivo generar una herramienta autónoma de detección y análisis para cultivos y zonas alejadas. Una herramienta valiosa que permitirá la toma de decisiones en tiempo real, tanto para la aplicación de tratamientos fitosanitarios como para el desarrollo del cultivo.
El proyecto surge a partir de la actualización del anterior sistema de trampas digitales (ver nota de Enolife el 14/6/2021 AQUÍ), que dependía de proveedores externos. Con esta mejora, el Iscamen busca optimizar los procesos de captura y procesamiento de datos, reducir costos operativos de actualización y mantenimiento. Además, permite ser a futuro una herramienta asequible a productores de la provincia y otras regiones del país.
En esta instancia, se cuenta con 15 trampas activas, 4 de ellas instaladas en establecimientos agrícolas privados, además de 20 módulos que permitirán escalar la red, en el corto plazo. En total se busca, expandir la red a 60 dispositivos completamente operativos.
Actualmente, el modelo se encuentra en su etapa de aprendizaje en campo. Esta fase de entrenamiento, que busca una adaptación a diversas variables del entorno, continuará mediante un esquema de aprendizaje supervisado y retroalimentación continua, a partir de los análisis en laboratorio de los datos obtenidos en campo, con el fin de alcanzar un 98% de precisión en la detección de insectos.
En esta fase, se proyecta el procesamiento y etiquetado de aproximadamente 5.000 imágenes representativas, que incluyan distintos escenarios de iluminación, niveles de suciedad, superposición de ejemplares e interferencias visuales.
Este ajuste iterativo permitirá refinar la capacidad de detección del modelo YOLOv8, asegurando resultados consistentes bajo condiciones variables de captura. El siguiente paso será consolidar la validación del sistema en fincas seleccionadas y ampliar su capacidad de reconocimiento a otras especies de interés sanitario y productivo. Este desarrollo representa un avance significativo hacia un sistema integral de análisis y gestión de plagas basado en ciencia aplicada e innovación tecnológica.
