Bogotá - Ingeniería - Doctorado en Ingeniería - Ingeniería Mecánica y Mecatrónica · 2026

Diseño de un sistema de visión artificial parar la identificación de malas hierbas (Arvenses) con técnicas de Deep Learning en dos cultivos altamente productivos

Resumen

El control de malezas en sistemas agrícolas altamente productivos continúa sustentándose, en gran medida, en aplicaciones uniformes de herbicidas, pese a que las poblaciones de malas hierbas (plantas arvenses) presentan una distribución espacial heterogénea y una dinámica temporal dependiente del estado fenológico del cultivo. Este enfoque incrementa costes, genera impactos ambientales y limita la eficiencia del manejo cuando se requiere actuación selectiva. En este marco, la escarda de precisión depende críticamente de sistemas de percepción capaces de detectar e identificar la presencia de las malas hierbas con robustez en condiciones reales, donde la variabilidad de iluminación, los fondos complejos, las oclusiones y la similitud morfológica cultivo–malezas reducen el desempeño de los modelos. Esta investigación doctoral diseña, implementa y evalúa un sistema de visión artificial basado en Deep Learning para la detección e identificación multiclase de malas hierbas en maíz (Zea mays L.) y remolacha roja (Beta vulgaris L.), integrando experimentación tanto en ambientes controlados como en condiciones reales de campo. Se construyeron conjuntos de datos etiquetados específicos para cada cultivo y para distintas etapas fenológicas del cultivo, incorporando variabilidad en la emergencia y desarrollo de las malezas, y se estableció un protocolo experimental homogéneo para el entrenamiento y la comparación de detectores de objetos basados en redes neuronales convolucionales y arquitecturas recientes basadas en transformers. La investigación incorpora un esquema iterativo por fases para seleccionar de forma objetiva combinaciones de arquitecturas, escala del modelo y resolución de entrada, así como para ajustar parámetros operativos de inferencia orientados a maximizar la sensibilidad sin comprometer la consistencia global del sistema. La investigación doctoral contribuye en tres niveles: En el nivel experimental, aporta una infraestructura de adquisición adaptable y un marco reproducible para construir conjuntos de datos multiclase en dos cultivos y dos escenarios de producción (cultivo en invernadero en condiciones controladas y cultivo en campo), preservando trazabilidad y comparabilidad entre campañas; En el nivel metodológico, propone un esquema de evaluación y selección de configuraciones que integra métricas convencionales, con un análisis explícito de errores, en particular de las omisiones de detección y micro-promedios para sintetizar el rendimiento con desbalanceo de clases; adicionalmente incorpora métricas orientadas a la operación en campo (Missed-Weeds Rate for background, Spurious-Objects on the Background y Omission-Weighted Balance Score) para interpretar el desempeño en términos de malezas no detectadas y falsas detecciones con impacto directo en la actuación del sistema; Por su parte, en el nivel tecnológico, consolida un benchmark comparativo entre familias de detectores bajo condiciones agrícolas de complejidad creciente, incorporando el coste computacional como criterio de viabilidad para el despliegue. Finalmente, la validación en condiciones reales de campo en ambos cultivos consolida la generalización del enfoque y sustenta la selección de la arquitectura y configuración más adecuadas al equilibrar robustez, omisión de malas hierbas, detecciones falsas y factibilidad computacional, proporcionando una base técnica para el desarrollo futuro de plataformas prácticas de escarda selectiva de precisión. (Texto tomado de la fuente)

Tesauro de su biblioteca