Inspección no destructiva para la detección del estrés de las plantas, el diagnóstico de enfermedades y el análisis de deficiencias nutricionales.
Los conjuntos de datos hiperespectrales ayudan a inspeccionar los cultivos a mayor escala y velocidad, identificando e interviniendo temprano para minimizar la exposición.
¿Identificación no invasiva y detección temprana de enfermedades vegetales?
Imágenes hiperespectrales y mediciones SPAD para el monitoreo de la salud de las plantas y la detección de enfermedades mediante técnicas de procesamiento de imágenes.
La identificación fiable y oportuna de las enfermedades de las plantas es un reto crucial en la agricultura moderna. La detección temprana de afecciones que afectan a la salud de las plantas, como insectos, hongos o deficiencias nutricionales, puede ayudar a los investigadores a prevenir el estrés biótico y abiótico en las plantas.
Los métodos convencionales se basan en la observación manual de los síntomas visibles. Los métodos manuales pueden requerir mucho tiempo, ser laboriosos y limitarse a las últimas etapas de la infección. Los síntomas visibles tienden a aparecer en las etapas medias o tardías de la infección, lo que aumenta la probabilidad de propagación o de reducción de los rendimientos. Los métodos tradicionales de análisis químico requieren un muestreo destructivo del tejido vegetal, lo que puede llevar mucho tiempo y suponer un estrés adicional para la planta enferma.
Para hacer frente a estas limitaciones, existe un interés creciente por utilizar enfoques automatizados y objetivos para la identificación temprana de enfermedades. Las técnicas de análisis de imágenes, en particular las que utilizan sensores de imágenes hiperespectrales y RGB, ofrecen soluciones prometedoras para la detección precisa y no invasiva de enfermedades.
¿Cuáles son los métodos de detección de enfermedades de las plantas?
Existe un creciente número de investigaciones en el campo de las técnicas de análisis de imágenes, los algoritmos de aprendizaje automático y el fenotipado de alto rendimiento para la identificación y predicción del estrés. Al aprovechar diversos sensores de imagen, incluidos los RGB, hiperespectrales, térmicos y de fluorescencia clorofílica, estos enfoques proporcionan una detección objetiva y sensible del estrés biótico y abiótico en las plantas.
La adopción de técnicas automatizadas de identificación de enfermedades, como la imagen hiperespectral y RGB combinada con el análisis avanzado de imágenes y el aprendizaje automático, es muy prometedora para mejorar las prácticas de gestión de los cultivos. Estos enfoques no invasivos y objetivos permiten la detección temprana de enfermedades de las plantas, lo que facilita una intervención oportuna y una asignación precisa de los recursos. Aprovechando los avances en tecnología y análisis de datos, los investigadores están impulsando el desarrollo de métodos de identificación de enfermedades más eficientes y precisos, allanando el camino para una agricultura sostenible y una mejor salud de los cultivos.
La imagen hiperespectral (HSI), una tecnología emergente, captura información detallada sobre la reflectancia en un amplio espectro de luz que va más allá de la visión humana. Esto permite identificar cambios sutiles en el crecimiento y el desarrollo de las plantas, como la acumulación de pigmentos como la antocianina. Cuando se exponen a condiciones de estrés, como luz de alta intensidad o deficiencia de nutrientes, el crecimiento y el rendimiento de las plantas se ven afectados. La acumulación de antocianina es un indicador temprano de este estrés. Por lo general, la acumulación comienza en una pequeña región, lo que dificulta su observación.
Mediante la medición de la intensidad de la luz reflejada o absorbida por la planta, una cámara HSI puede identificar cambios dentro de rangos espectrales específicos para detectar cambios en las propiedades biológicas, químicas y físicas de la planta.
Cámaras de imágenes hiperespectrales para la detección temprana de enfermedades de las plantas
En el campo de la fitopatología y la supervisión de la salud de los cultivos, se pueden medir conjuntos de datos específicos de las plantas para identificar áreas del espectro electromagnético en las que los cambios en los espectros reflejados o absorbidos pueden utilizarse para identificar enfermedades u otros indicadores de la salud de las plantas. A continuación, se puede utilizar HSI para realizar investigaciones específicas relativamente rápidas, potencialmente mucho más rápidas y regulares de lo que sería posible de otro modo. Se pueden obtener resultados y conocimientos sin necesidad de matemáticas complejas y sin necesidad de muestreos destructivos.
La HSI detecta cambios bioquímicos y fisiológicos, como la degradación de la clorofila, el estrés hídrico y la acumulación de pigmentos, antes de que aparezcan los síntomas de la enfermedad. Las cámaras Specim FX10 y FX17 analizan las firmas espectrales de las plantas en cientos de longitudes de onda, lo que permite diferenciar con precisión entre plantas sanas y enfermas.
Medidor de clorofila SPAD-502 Plus
El medidor SPAD se utiliza ampliamente en la agricultura comercial para realizar pruebas no destructivas del estado de los cultivos, proporcionando datos sencillos pero potentes que permiten a los agricultores calcular el momento y la cantidad óptimos de fertilizante. Las lecturas del SPAD se correlacionan con la clorofila presente en la hoja y el cálculo de la concentración.
La realización de pruebas rutinarias en toda la parcela para controlar la salud de las plantas y optimizar el uso de fertilizantes puede mejorar los rendimientos, al tiempo que se reducen los costes y la carga medioambiental.
Benefits of Automated Disease Identification:
Automated disease identification enables early intervention, targeted chemical application, and improved crop management practices. By detecting diseases at their early stages, farmers can prevent the spread of infection and reduce crop damage. Precise disease identification allows for targeted chemical usage, reducing pesticide and herbicide application, cost, and benefiting the environment.
Beneficios
- Non destructive / Non invasive approach
- Detect and identify plant disease and stress before visible symptoms
- Intervene and monitor the disease to prevent its spread
- Quantify the percent area of leaf effected by disease
- Identification of stress symptoms in plants (presence and accumulation of anthocyanin) based on water content or photosynthetic status
- Optimise timing and quantity of nitrogen fertiliser and nutrient conditions: reduce waste and cost of overuse (over-fertilization), thereby reducing environmental contamination (diseases in plants and water contamination due to nutrient leaching through the field’s soil)
Instrumentos
Aplicaciones HSI
Combinación de HSI con LSSVM (máquina de vectores de soporte de mínimos cuadrados) para identificar enfermedades en árboles cítricos.
Imágenes hiperespectrales utilizadas para caracterizar e identificar árboles cítricos infectados con HLB. Creación de un conjunto de datos que ayudó a distinguir los árboles deshidratados de los enfermos, con el fin de limitar la propagación de las infecciones, lo que condujo a una reducción de las costosas pérdidas y a la eliminación innecesaria de existencias diagnosticadas erróneamente.
Fuente: ResearchGate Weng et al. (2018)
Detección temprana de enfermedades en el trigo mediante HSI
Investigación sobre la caracterización de la reflectancia espectral de plantas de trigo enfermas en el campo para evaluar la capacidad de combatir la roya amarilla con intervenciones específicas y minimizar la carga medioambiental y los costes.
Fuente: Science Direct Bravo et al. (2003)
Pregunte a nuestros expertos
