Control de plagas de alta precisión basado en la fusión multimodal y redes ligeras guiadas por la atención

Área de la Ciencia:

• Agricultura inteligente y prácticas agrícolas sostenibles.
• Aplicaciones de la inteligencia artificial en el control de plagas.

Sus antecedentes:

• Los modelos tradicionales de reconocimiento de plagas luchan con condiciones de campo complejas y datos de una sola fuente.
• La identificación precisa de las plagas y depredadores agrícolas es crucial para la seguridad alimentaria y el desarrollo sostenible.

Objetivo del estudio:

• Desarrollar un marco de reconocimiento multimodal robusto para las plagas y depredadores de insectos agrícolas.
• Superar las limitaciones de los sistemas de reconocimiento monomodal en la agricultura inteligente.

Principales métodos:

• Integración de imágenes RGB, imágenes térmicas infrarrojas y datos de sensores ambientales.
• Utilizando un mecanismo de atención intermodal y una ponderación de modalidad guiada por el medio ambiente.
• Empleando cabezas de reconocimiento desacopladas para una mayor robustez.

Principales resultados:

• El modelo propuesto logró un 91,5% de precisión, un 89,2% de recuperación, un 90,3% de puntuación F1 y un 88,0% de mAP@50, superando los métodos existentes en más del 6%.
• Demostró mejoras significativas en condiciones difíciles como poca luz y ruido de los sensores.
• Logró una velocidad de inferencia de 25.7 FPS en dispositivos de borde, equilibrando la precisión y la eficiencia.

Conclusiones:

• El marco de IA multimodal ofrece una solución eficiente, inteligente y escalable para la vigilancia de plagas y el control biológico.
• Esta tecnología contribuye al manejo preciso de plagas en los ecosistemas agrícolas.
• El rendimiento del modelo en dispositivos de borde valida su aplicabilidad en el mundo real.