Modelo neuronal de aprendizaje profundo para reconocimiento y detección de movimiento aplicado a identificación de pestes en cultivos

Abstract

La detección de insectos bajo condiciones de campo reales sigue siendo una tarea complicada debido a factores como variaciones en la iluminación y el pequeño tamaño de los insectos, que a menudo carecen de suficientes características visuales para una identificación confiable mediante modelos de aprendizaje profundo. Estas limitaciones se vuelven especialmente evidentes en arquitecturas ligeras que, aunque son eficientes, tienen dificultades para capturar detalles finos en condiciones desafiantes. Para abordar estas limitaciones, este trabajo presenta el diseño de un módulo de detección de movimiento, un componente compacto diseñado para mejorar el desempeño para detección de objetos al integrar información de movimiento directamente a nivel de mapas de características dentro de la base de la arquitectura YOLOv8. A diferencia de métodos que dependen de diferencia de fotogramas y que requieren etapas de preprocesamiento adicionales, el método propuesto opera sobre las imágenes crudas y usa solamente dos fotogramas consecutivos. Las evaluaciones experimentales demuestran que incorporar el módulo de movimiento conduce a mejoras consistentes en el desempeño del modelo en métricas clave de detección, teniendo solo un pequeño incremento en costo computacional. Además, bajo condiciones simuladas de cambios de iluminación, el módulo muestra robustez ante estas variaciones. Este avance ofrece una herramienta práctica y efectiva para mejorar la detección de insectos, con un impacto más allá del ámbito computacional. La detección temprana de pestes en cultivos contribuye a la reducción de pérdidas económicas, disminución en el uso de pesticidas y optimización de procesos agrícolas.