FRESQIA: Reconocimiento de síntomas foliares con inteligencia artificial cuántica

Innovación cuántica para la agricultura de precisión con FRESQIA

Las enfermedades foliares suponen una amenaza importante para la productividad y la gestión fitosanitaria, especialmente por su rápida propagación. La inspección manual es limitada debidpo a su carácter subjetivo y por ser un proceso lento y difícil de escalar a grandes superficies de cultivo. Por ello, cuando los síntomas son claramente visibles, puede ser tarde para aplicar medidas eficaces de control.

Para superar estas limitaciones, la solución propuesta implementa un seguimiento automático mediante sistemas de visión artificial, permitiendo una monitorización agronómica del cultivo. Este enfoque integra técnicas de computación cuántica para el análisis de patrones visuales complejos, contrastando modelos clásicos con Redes Neuronales Convolucionales Cuánticas (QCNN).

El objetivo es una detección temprana de síntomas, con potencial para reducir el uso de pesticidas y aumentar el rendimiento agrícola. En este demostrador, el caso de estudio y las imágenes empleadas corresponden a hojas de fresa en invernadero, aunque el enfoque propuesto es aplicable a otros cultivos con sintomatología foliar visible. Los resultados preliminares muestran buen comportamiento con iluminación favorable y síntomas claramente visibles, y limitaciones en casos de solapamiento foliar y hojas parcialmente ocultas.

A través de esta prueba de concepto, se han podido identificar las limitaciones existentes y destacar el potencial de modelos cuánticos compactos para apoyar la monitorización agronómica.
 

Resultados destacados

En el marco de este demostrador, hemos validado nuestra tecnología a través del siguiente flujo de trabajo práctico:

• Detección temprana y aislamiento de hojas. Utilizamos cámaras RGB en entornos controlados (apoyándonos en el Simulador Climático de CTIC) y aplicamos modelos clásicos de detección de objetos para identificar y recortar las hojas de forma automática. Esto nos permite gestionar retos complejos del entorno real, como el solapamiento foliar o los elementos de fondo, asegurando que el sistema se centre solo en los patrones relevantes.
• Clasificación de síntomas con Redes Neuronales Convolucionales Cuánticas (QCNN). Implementamos redes QCNN para analizar las imágenes y clasificar si las hojas están enfermas. Al comparar este modelo cuántico con redes convolucionales clásicas (CNN), demostramos que la aproximación cuántica alcanza un rendimiento equivalente utilizando solo una fracción mínima de parámetros (apenas unos cientos) y una cantidad considerable menor de imágenes de entrenamiento.
• Modelos compactos para la agricultura. Validamos la viabilidad técnica de las soluciones híbrido-cuánticas en el sector agroalimentario. Nuestra arquitectura es muy compacta, requiere menos imágenes de entrenamiento y consume significativamente menos memoria que los modelos clásicos. Esta eficiencia estructural facilita su futura integración directa en dispositivos de campo y asegura una alta escalabilidad conforme evolucione el hardware cuántico.
   

Conclusiones

A través de este demostrado, se evidencia la viabilidad de las soluciones híbrido-cuánticas en la detección automática de defectos en imágenes, gracias a una arquitectura muy compacta que requiere menos imágenes de entrenamiento y que consume significativamente menos memoria que modelos clásicos. 

Esta eficiencia facilita, en el caso de aplicación que nos ocupa, su integración directa en dispositivos de campo y asegura una alta escalabilidad, con un potencial de mejora continua conforme evolucione el hardware cuántico.