{"id":179432,"date":"2026-07-28T15:43:38","date_gmt":"2026-07-28T15:43:38","guid":{"rendered":"https:\/\/enolife.com.ar\/es\/?p=179432"},"modified":"2026-07-28T15:43:39","modified_gmt":"2026-07-28T15:43:39","slug":"con-ia-en-india-detectan-enfermedades-de-las-hojas-de-vid-antes-que-causen-perdidas","status":"publish","type":"post","link":"https:\/\/enolife.com.ar\/es\/con-ia-en-india-detectan-enfermedades-de-las-hojas-de-vid-antes-que-causen-perdidas\/","title":{"rendered":"Con IA, en India detectan enfermedades de las hojas de vid antes que causen p\u00e9rdidas"},"content":{"rendered":"\n

Este novedoso sistema desarrollado por investigadores indios identifica con un 92% de precisi\u00f3n el mal que sufre el vi\u00f1edo. El diagn\u00f3stico precoz logra reducir da\u00f1os y mejorar las decisiones fitosanitarias. <\/strong><\/em><\/h4>\n\n\n\n
<\/div>\n\n\n\"\"<\/a>\n\n\n
<\/div>\n\n\n\n

Un equipo de investigadores de India<\/strong> desarroll\u00f3 un sistema de inteligencia artificial (IA) <\/strong>para clasificar enfermedades en hojas de vid a partir de im\u00e1genes, con una precisi\u00f3n del 92,172%,<\/strong> seg\u00fan un estudio divulgado el lunes 27 de julio de 2026<\/strong> en la publicaci\u00f3n internacional Scientific Reports.<\/strong><\/p>\n\n\n\n

El trabajo parte de un problema habitual en viticultura: muchas t\u00e9cnicas detectan la enfermedad cuando ya hay s\u00edntomas visibles en la hoja. Eso retrasa el tratamiento y reduce el rendimiento del cultivo, se\u00f1alan los autores. Su propuesta busca mejorar esa identificaci\u00f3n mediante un modelo de aprendizaje profundo llamado HASFT-Net.<\/strong><\/p>\n\n\n\n

La investigaci\u00f3n est\u00e1 firmada por Lalitha R, Sivasangari Ayyappan, Saranya K y A. S. Malleswari, vinculados a centros universitarios de Chennai, Rajam, Surampalem <\/strong>y Kakinada,<\/strong> en India.<\/p>\n\n\n\n

<\/div>\n\n\n\n

C\u00f3mo funciona el sistema<\/strong><\/p>\n\n\n\n

El sistema analiza im\u00e1genes de hojas de vid obtenidas de una base de datos. Primero aplica un proceso de eliminaci\u00f3n de ruido con una red neuronal convolucional<\/strong> guiada por atenci\u00f3n, denominada ADNet. <\/strong>Despu\u00e9s localiza y segmenta las zonas afectadas con otro modelo, SPEDCCNN<\/strong>, que usa la funci\u00f3n de p\u00e9rdida Tversky.<\/strong> Esa segmentaci\u00f3n se refuerza con un m\u00e9todo de optimizaci\u00f3n llamado Siberian Tiger Optimization, o STO.<\/strong><\/p>\n\n\n\n

<\/div>\n\n\n
\n
\"\"<\/a>
El sistema desarrollado por los investigadores indios permite tomar im\u00e1genes en tiempo real de las hojas de vid desde c\u00e1maras en los drones y procesarlas.<\/strong><\/em><\/figcaption><\/figure><\/div>\n\n\n
<\/div>\n\n\n\n

A continuaci\u00f3n, el modelo extrae varios tipos de rasgos de la imagen. Entre ellos figuran OCLBP, SIFT<\/strong> y par\u00e1metros de forma como rectangularidad, excentricidad y circularidad. Con esa informaci\u00f3n, HASFT-Net clasifica la enfermedad combinando elementos de NASNet, las series de Taylor y una red neuronal profunda de atenci\u00f3n de alto orden, DHA-Net, seg\u00fan recoge el estudio.<\/p>\n\n\n\n

<\/div>\n\n\n\n

Detalles clave del estudio y la IA<\/strong><\/p>\n\n\n\n

    \n
  • El modelo HASFT-Net<\/strong>: La arquitectura principal desarrollada se denomina Deep High Attention Stage-by-Stage Forward Taylor Network.<\/strong> Este algoritmo procesa im\u00e1genes mediante m\u00faltiples capas de visi\u00f3n computacional profunda.<\/li>\n\n\n\n
  • Procesamiento de im\u00e1genes<\/strong>: Para limpiar las impurezas visuales de las fotograf\u00edas, utiliza una red convolucional guiada por atenci\u00f3n (ADNet).<\/strong><\/li>\n\n\n\n
  • Segmentaci\u00f3n precisa<\/strong>: Las zonas enfermas de la hoja de vid se a\u00edslan mediante una red de tipo codificador-decodificador en cascada (SPEDCCNN) <\/strong>combinada con t\u00e9cnicas de optimizaci\u00f3n matem\u00e1tica avanzada.<\/li>\n\n\n\n
  • Precisi\u00f3n y alcance<\/strong>: El sistema demostr\u00f3 una efectividad del 92,17%<\/strong> al clasificar y diferenciar las deformidades y decoloraciones causadas por distintos pat\u00f3genos en entornos de laboratorio.<\/li>\n<\/ul>\n\n\n\n
    <\/div>\n\n\n\n

    Los autores informan de que el modelo obtuvo una tasa de verdaderos positivos del 92,883%<\/strong>, una tasa de verdaderos negativos del 91,993%, una precisi\u00f3n del 90,887% y una puntuaci\u00f3n F1 del 91,874%, usando datos de aprendizaje del 90%.<\/p>\n\n\n\n

    <\/div>\n\n\n\n

    Futura aplicaci\u00f3n en el campo<\/strong><\/p>\n\n\n\n

    El art\u00edculo sit\u00faa esta l\u00ednea de trabajo dentro del diagn\u00f3stico automatizado de enfermedades agr\u00edcolas mediante visi\u00f3n por computadora. En el caso de la vid, una detecci\u00f3n m\u00e1s temprana puede ayudar a ajustar mejor las decisiones fitosanitarias en campo y a reducir p\u00e9rdidas en la producci\u00f3n. Para el sector de las bebidas, esa mejora potencial tiene inter\u00e9s directo porque afecta a la materia prima con la que se elaboran vinos y otros productos derivados de la uva.<\/p>\n\n\n\n

    Aunque actualmente el modelo se entren\u00f3 con bases de datos est\u00e1ticas, el objetivo a largo plazo es integrar esta IA en drones agr\u00edcolas, tel\u00e9fonos m\u00f3viles de productores o c\u00e1maras fijas<\/strong> dentro de los vi\u00f1edos para monitorizar la salud de los cultivos en tiempo real.<\/p>\n\n\n\n

    <\/div>\n\n\n\n

    Fuentes: Vinetur y Scientifics Reports<\/strong><\/em><\/p>\n\n\n\n

    <\/div>\n","protected":false},"excerpt":{"rendered":"

    Este novedoso sistema desarrollado por investigadores indios identifica con un 92% de precisi\u00f3n el mal…<\/p>\n","protected":false},"author":2,"featured_media":179441,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[15,8],"tags":[],"class_list":["post-179432","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-destacados","category-tecnologias"],"_links":{"self":[{"href":"https:\/\/enolife.com.ar\/es\/wp-json\/wp\/v2\/posts\/179432","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/enolife.com.ar\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/enolife.com.ar\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/enolife.com.ar\/es\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/enolife.com.ar\/es\/wp-json\/wp\/v2\/comments?post=179432"}],"version-history":[{"count":11,"href":"https:\/\/enolife.com.ar\/es\/wp-json\/wp\/v2\/posts\/179432\/revisions"}],"predecessor-version":[{"id":179444,"href":"https:\/\/enolife.com.ar\/es\/wp-json\/wp\/v2\/posts\/179432\/revisions\/179444"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/enolife.com.ar\/es\/wp-json\/wp\/v2\/media\/179441"}],"wp:attachment":[{"href":"https:\/\/enolife.com.ar\/es\/wp-json\/wp\/v2\/media?parent=179432"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/enolife.com.ar\/es\/wp-json\/wp\/v2\/categories?post=179432"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/enolife.com.ar\/es\/wp-json\/wp\/v2\/tags?post=179432"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}