Detección de malezas en cultivos utilizando

inteligencia artificial

Lorenzo León G., Cristóbal Campos, Guissella Reyes, Yanet Parra / INIA Quilamapu

INSTITUTO DE INVESTIGACIONES AGROPECUARIAS - INFORMATIVO INIA QUILAMAPU N° 162 - AÑO 2022

El manejo de malezas en Chile se inserta en un escenario manejo integrado, como las químicas, mecánico-físicas
tecnológico, donde destacan soluciones innovadoras, y biológicas. Una manera lógica de ser más efectivos
como los drones en aplicación de herbicidas, aunque es dirigir las aplicaciones exclusivamente a las zonas
con igual o superior número de dosis. Esta excesiva donde están ubicadas las plántulas de malezas o los
dependencia de la herramienta química ha generado grupos densos de malezas. Por ello es preciso saber
importantes problemas que van en aumento, como la cómo se distribuyen las mismas en el terreno y en qué
resistencia de malezas a ingredientes activos y deriva magnitud de superficie (1m2, 1 ha, un predio, etc.).
a zonas de cultivo aledañas.
Tradicionalmente, al recorrer un terreno solo ha
En el mundo existe un importante desarrollo de sido posible describir lo que se observa en términos
tecnologías de sensoramiento y aplicación* que cualitativos (ejemplo: “hay mucha quinguilla”, “hay un
permiten racionalizar el uso de herbicidas. Ellas abren poco de hualcacho”, etc.), pero si se quisiera establecer
la posibilidad de emplear métodos de control distintos un mapa con las malezas existentes en cada metro
a los herbicidas de síntesis, que hasta la fecha no cuadrado de un campo, sería una labor difícil de
han podido ser empleados. Este conjunto de nuevas realizar. Ante este escenario, resulta indispensable
tecnologías depende del uso de “inteligencia artificial” encargar esta tarea a una máquina (computador) que
que en muy poco tiempo ha abierto insospechadas pueda procesar la información visual que se le entrega
posibilidades para la detección y reconocimiento y devolverla como un mapa detallado de aplicación. Es
automático de poblaciones de malezas. Para ello es aquí donde comienza a brillar la inteligencia artificial.
necesario desarrollar bases de datos digitales de los
cultivos y sus malezas asociadas, y probar estos métodos
bajo condiciones locales, lo que se ha realizado, por dos Inteligencia artificial y
temporadas, en ensayos de INIA en Chillán. reconocimiento de malezas
en el campo
¿De qué sirve saber dónde
están ubicadas las malezas La inteligencia artificial se define como la simulación
de procesos de inteligencia humana por parte de
en el manejo integrado? máquinas, especialmente sistemas informáticos.
Esto hace mención a la necesidad de “enseñar”
La utilidad está en que permite aumentar la eficiencia un procedimiento a una máquina, y que esta,
de las herramientas empleadas en un programa de posteriormente, lo reconozca de manera automática.

*Artículo “Inteligencia artificial: importancia actual y proyecciones para el control de malezas”, revista Tierra Adentro Nº 113: pp. 104-101.
Para “enseñar” a las máquinas se deben seguir varios 1/100 segundos); (3) robusta (sirvan para una amplia
pasos. El primero es obtener y preparar un conjunto variedad de malezas y en distintas condiciones); y (4)
de datos, los que en el caso de este Informativo, con potencial para ser desplegados en terreno en la
corresponden a imágenes digitales de malezas-cultivo maquinaria de aplicación.
(Figura 1a). Es importante contar con la mayor cantidad
de imágenes posible y, luego, indicar al computador
la ubicación de las plántulas de maleza o cultivo en Avances en INIA (2020-2021)
cada fotografía (Figura 1b). Con posterioridad se realiza
el “entrenamiento”, en donde la máquina aprende En 2020, el Programa de Malezas de INIA Quilamapu
a reducir información desde una imagen de campo inició el desarrollo de bases de datos y el ajuste de
(muy compleja) a unos pocos números, los que luego modelos de inteligencia artificial para infestaciones de
interpreta como cada categoría de planta observada malezas en las regiones del Maule y Ñuble. Los trabajos
(Figuras 1c y 2a-h). El conocimiento queda plasmado se han centrado en testear las metodologías para
en un “modelo” matemático (Figura 1c) que puede distintas combinaciones de malezas-cultivos, tipo de
ser distribuido o compartido entre distintas máquinas imagen (aérea o terrestre), condiciones de iluminación
o computadores (Figura 1d) para su uso en nuevas y desarrollo fenológico de las plantas detectadas. En
muestras de terreno (Figura 1e y f). el Cuadro 1, se muestran algunos de los resultados
encontrados, correspondientes a índices para un tipo
Este modelo puede ser mejorado en sus capacidades particular de modelo de inteligencia artificial (“Yolo
si se dispone de nueva información. Así, es posible V4”). Los resultados indican que mediante el uso de este
señalar que este procedimiento es secuencial y que se modelo es posible cuantificar las distintas especies
perfecciona en el tiempo, lo que guarda relación con el de malezas, para diversas condiciones ambientales y
proceso de aprendizaje, tal como lo conocemos. fenológicas de las poblaciones estudiadas. En estas
situaciones, la bondad de predicción global (índice
Para que estos modelos de inteligencia F1) sobrepasa el 80 % (0,8), con un máximo de 96 %.
artificial sean útiles, las definiciones de áreas Algunas imágenes de estas predicciones se presentan
de aplicación/intervención deben establecerse: en la Figura 2. Con lo anterior, los pasos a, b, c de la
(1) de manera precisa; (2) rápida (menos de Figura 1 han comenzado a quedar cubiertos.

(c) (e)

(a) (b)

(d)

Fuente: Creative commons (a-c), Aaeon (d), Fieldcropnews (e) y WEED-IT (f).

(f)
Figura 1. Pasos para “enseñar” a una máquina y luego aplicar el conocimiento adquirido: (a) adquisición de imágenes de
malezas; (b) sobre las imágenes colectadas, un anotador diferencia las distintas especies de malezas; (c) se ajusta un modelo
matemático o red neuronal; (d) el modelo se emplea en computadores de campo (d), con los que es posible desarrollar (e)
mapas de aplicación o (f) aplicaciones diferenciales en tiempo real.
No obstante los buenos resultados, hay distintos será capaz de controlar todo, pero sí lo hará el programa
aspectos a mejorar: 1) todas las versiones del modelo de manejo integrado en su totalidad.
de inteligencia artificial deben integrarse en una
sola, capaz de predecir en rangos más amplios de Conclusiones
malezas/cultivo; 2) que estos modelos actúen bajo
condiciones de campo a velocidades de trabajo de 1- Para aumentar la eficiencia de las herramientas de
maquinaria. Esto significará llevar estas capacidades a manejo integrado de control de malezas, es necesaria
computadores (pequeños-poderosos), para ser puestos una descripción rápida y detallada de las poblaciones
en la maquinaria (Figura 1d y f). Los resultados ya son de malezas en los cultivos.
suficientes para establecer diagnósticos iniciales 2- Para ello se han evaluado satisfactoriamente, en la
basados, por ejemplo, en fotografías capturadas por zona centro sur de Chile, herramientas de inteligencia
drones, con lo que ya se podrían establecer mapas artificial en distintas combinaciones de maleza-
como el de la Figura 1e. cultivo y ambientales.

Pero estas innovaciones no dejarán de lado las otras

3- Los modelos desarrollados establecerán mapas de
malezas para adoptar mejores estrategias de manejo
componentes del manejo integrado de malezas. El
por parte del productor y, con ello, el funcionamiento
control de poblaciones de malezas involucra trabajar
de nueva maquinaria de control localizado.
sobre cantidades enormes de plantas, por lo que cualquier
acción de reducción de estas poblaciones, ayudará a que 4- Estas tecnologías no reemplazan otros elementos
los sistemas basados en inteligencia artificial, realicen de manejo integrado tradicional, sino que los
eficientemente su labor. Ningún método por sí mismo complementan. nnnnnnnnnnnnnnnnn

Cuadro 1. Indicadores obtenidos para versiones del modelo “YOLO v4”, sobre datos de evaluación desarrollados para distintas
malezas, cultivos y condiciones de captura.
Tipo de Tiempo, humedad
Estado cámara, de suelo en Índice Índice Índice
Modelo Especies Precisión2
fenológico Altura captura superficie recall3 F14 IoU (%)5
LOLSS (Ballica), Plántula
Nublado, suelo
1 RAPRA (Rábano), (cotiledón-1 Reflex, 0.5 m 0.83 0.89 0.86 66.81
húmedo
TRZAX (Trigo) hv1)
BRSNN (Raps),
Plántula
POLAV (Sanguinaria), Parcial, suelo
2 (cotiledones- Reflex, 1 m 0.94 0.79 0.86 75.61
POLPE (Duraznillo), húmedo
1er par hv)
VIOAR (Viola)
DATSS (Chamico),
POLPE (Duraznillo), Soleado,
3 2-4 hv Reflex, 1 m 0.8 0.78 0.79 59.45
RAPRA (Rábano), suelo seco
ZEAMX (Maíz)
LENCU (Lenteja),
AMBEL (Ambrosia) Parcial, suelo
4 2-4 hv Reflex, 0.5 m 0.95 0.97 0.96 83.86
POLAV (Sanguinaria), húmedo
POLPE (Duraznillo)
CICIN (Achicoria Roseta Soleado,
5 Drone, 4 m 0.8 0.91 0.85 59.35
industrial) (5-8 hv) suelo seco
DAUCA (Zanahoria Soleado, suelo
6 Floración Drone, 7 m 0.9 0.88 0.89 69.17
silvestre) no visible
Soleado, suelo
7 ECHSS (Hualcacho) Floración Reflex, 0.5 m 0.98 0.86 0.92 82.72
no visible
1
hv: hojas verdaderas de malezas y cultivos.
2
Índice precisión (proporción de clasificaciones acertadas, respecto al total detectado).
3
Índice recall: proporción de plantas detectadas, respecto del total existente.
4
Índice F1: media ponderada entre los índices de precisión y recall, considerándose como una integración de ambos.
5
Índice IoU: bondad de la ubicación de los cuadros de detección en cada figura.
 (a) (b)

(c) (d)

(e) (f)

(g) (h)

[email protected]
Figura 2. Resultados representativos para las versiones del modelo Yolo V4 descritas en el Cuadro 1, desarrolladas en cultivos-
malezas de la zona centro sur de Chile, durante las temporadas 2020-2021. (a) versión1: malezas en trigo; (b) versión 2:
malezas en barbecho químico otoñal; (c) versión 3: malezas en cultivo de maíz; (d) versión 4: malezas en cultivo de lenteja; (e)
versión 6: plantas de achicoria industrial; (f) versión 5: inflorescencia de zanahoria silvestre; (g y h) versión 7: inflorescencias
en hualcacho negro.

El presente informativo forma parte de los resultados obtenidos por el proyecto “Nuevos elementos para el
manejo integrado de malezas en la zona centro sur de Chile”, financiado por la Subsecretaría de Agricultura.

Permitida la reproducción total o parcial de esta publicación citando la fuente y autores.

La mención o publicidad de productos no implica recomendación INIA.
Más información: Lorenzo León G. / [email protected]
INIA Quilamapu, avenida Vicente Méndez 515, Chillán, Chile.

www.inia.cl