Fundamento teórico y datos
Revisión bibliográfica, análisis de agricultura de precisión, caracterización de agave y recolección inicial de imágenes.
Avance Doctoral · Universidad Autónoma de Zacatecas
Plataforma de agricultura de precisión basada en Inteligencia Artificial para la caracterización del Agave Weber
Detección automática, clasificación de agave caído, análisis morfométrico y estimación fenológica mediante imágenes RGB obtenidas con drones.
Abrir plataforma Django01 · Problema de investigación
El monitoreo manual limita la caracterización precisa del cultivo de agave
La evaluación visual en campo consume tiempo, depende de criterios subjetivos y dificulta estimar variables como condición física, diámetro, área y etapa fenológica en grandes extensiones agrícolas.
Necesidad central
Desarrollar una herramienta que apoye la toma de decisiones mediante visión artificial, aprendizaje profundo, modelos clásicos de machine learning y mediciones morfométricas automatizadas.
02 · Objetivos y avance por semestre
Objetivo general
Diseñar e implementar una plataforma de Inteligencia Artificial para detectar, analizar morfométricamente y clasificar fenológicamente agaves a partir de imágenes RGB capturadas con drones.
Diseño y entrenamiento
Etiquetado de datos, diseño de algoritmos de detección, caracterización y evaluación de arquitecturas CNN.
Integración web
Integración de Faster R-CNN, ResNet34, morfometría y clasificación fenológica dentro de Django.
Optimización
Optimización del detector con ResNet50-FPN, selección de mejores pesos por recall, F1 y balance Acc-Loss.
Producción científica
Validación final, artículos científicos, redacción de tesis y preparación para defensa doctoral.
03 · Metodología
Flujo completo de procesamiento
Imagen RGB
Dron
Dron
Faster R-CNN
Bounding boxes
Bounding boxes
ResNet34
Caído / No caído
Caído / No caído
Morfometría
px y cm
px y cm
Modelos ML
Fenología
Fenología
Django
Visualización
Visualización
04 · Arquitectura de IA
Modelos integrados y entrenados
Faster R-CNN + ResNet50-FPN
Detección de objetos
- Entrada: imagen RGB de dron.
- Salida: bounding boxes, clase y score de confianza.
- Optimizado durante 300 épocas usando GPU NVIDIA RTX 3060.
- Se guardaron mejores modelos por recall, F1 y balance Acc-Loss.
ResNet34
Clasificación binaria
- Clasifica agave caído y no caído.
- Se seleccionó por su mejor desempeño frente a otras arquitecturas ResNet.
- Se ejecuta después de detectar cada planta y recortar la región de interés.
Optimización del detector
Entrenamiento ResNet50-FPN
El detector fue optimizado a partir del modelo base detector.pth. El entrenamiento utilizó particiones de datos de entrenamiento, validación y prueba, monitoreando loss, precisión, recall, F1, cantidad de objetos reales, predicciones y verdaderos positivos.
300épocas
436imágenes train
24imágenes valid
14imágenes test
AccLossScore = |precision - loss|
El balance Acc-Loss se usó como criterio complementario para seleccionar un modelo con alta precisión y pérdida baja. El mejor balance alcanzó 0.8125 en la época 285.
Modelos fenológicos entrenados este semestre
Random Forest
Ensamble de árboles de decisión. Robusto para variables tabulares morfométricas.
Extra Trees
Ensamble de árboles extremadamente aleatorizados. Reduce varianza y evalúa separabilidad de clases.
Gradient Boosting
Modelo secuencial que combina árboles débiles para corregir errores progresivamente.
MLP
Red neuronal multicapa para clasificación tabular basada en variables morfométricas.
SVM RBF
Máquina de soporte vectorial con kernel radial para fronteras no lineales.
Variables e hiperparámetros considerados
Entrada: width, height, diameter, area y variables convertidas por GSD cuando están disponibles.
Métricas: accuracy, balanced accuracy, F1 macro y F1 weighted para comparar el desempeño entre modelos.
Optimización: comparación de algoritmos, ajuste de parámetros principales y selección del modelo con mejor equilibrio entre exactitud y generalización.
05 · Morfometría y GSD
Medición automática por cada bounding box
Para cada planta detectada se calcula ancho, alto, diámetro aproximado y área. Cuando existe GSD, las mediciones se convierten de píxeles a centímetros para interpretar el tamaño real del agave.
¿Qué es el GSD?
El Ground Sampling Distance indica cuánto terreno real representa un píxel de la imagen. En este proyecto permite pasar de mediciones en píxeles a mediciones físicas.
GSD = (H × SW) / (F × IW)
- H: altura de vuelo sobre el terreno.
- SW: ancho físico del sensor de la cámara.
- F: distancia focal de la cámara.
- IW: ancho de la imagen en píxeles.
medida_cm = medida_px × GSD_cm/px
área_cm² = área_px² × (GSD_cm/px)²
Widthpx / cm
Heightpx / cm
Diameterpx / cm
Areapx² / cm²
06 · Clasificación fenológica
Reglas actuales basadas en diámetro
Germinación< 10 cm
Plántula10–31.9 cm
Juvenil32–89.9 cm
Madurez90–179.9 cm
Floración≥ 180 cm
07 · Plataforma Django
Sistema web funcional para análisis de imágenes
Más que una interfaz gráfica: una plataforma operativa
El desarrollo en Django permite transformar los modelos de Inteligencia Artificial en una herramienta funcional para el campo. La plataforma no solo muestra resultados, sino que organiza el flujo completo de trabajo: carga de imágenes, ejecución de modelos, análisis morfométrico, clasificación fenológica, almacenamiento histórico y consulta de resultados. Esto permite que el sistema pueda evolucionar hacia un entorno real de apoyo a productores, técnicos y responsables de monitoreo agrícola.
Nueva detección
Carga de imagen, coordenadas opcionales, GSD manual y ejecución de modelos.
Threshold interactivo
Detecta candidatos una sola vez y permite ajustar el umbral con slider en tiempo real.
Historial
Guarda imagen original, procesada, detecciones, agaves caídos, GSD, threshold y coordenadas.
¿Por qué Django?
Escalabilidad
Permite separar módulos de detección, clasificación, morfometría, usuarios, proyectos, reportes y mapas sin rehacer la plataforma.
Base de datos
Facilita guardar sesiones, imágenes, métricas, coordenadas, GSD y resultados para construir trazabilidad por predio o campaña.
Entorno productivo
Puede desplegarse en servidor local, VPS o nube, permitiendo acceso desde laboratorio, campo o centros de decisión agrícola.
Integración IA
Se conecta con PyTorch para mantener los modelos cargados y automatizar el análisis sin depender de scripts aislados.
Session Detail
Imagen interactiva, tabla paginada, selección desde tabla o imagen, resumen fenológico y colores por etapa.
Diseño operativo
Imagen fija tipo sticky y tabla con scroll interno para revisar detecciones sin perder contexto visual.
Importancia para entornos agaveros
La plataforma busca funcionar como un puente entre el modelo de investigación y la toma de decisiones en campo. En un escenario operativo, el sistema puede apoyar el conteo de plantas, la identificación de agaves caídos, la estimación de tamaño, el seguimiento de etapas fenológicas y la generación de evidencia visual para planear recorridos, manejo agronómico o validación de parcelas.
Proyección tecnológica
Al estar construida como aplicación web, la solución puede crecer hacia módulos de usuarios, predios, campañas de vuelo, mapas con coordenadas, reportes descargables, dashboard de indicadores y comparación histórica. Esto fortalece el carácter de plataforma de agricultura de precisión y no solamente de demostrador visual.
Demostración en vivo
Durante la presentación, este botón abre la plataforma local desarrollada en Django.
Ir a http://127.0.0.1:8000/08 · Resultados actuales
Avance consolidado
99.07%Precisión ResNet34 en validación
0.8125Mejor balance Acc-Loss del detector
5Modelos fenológicos entrenados
La plataforma ya integra detección, clasificación, morfometría, fenología, visualización y almacenamiento de resultados.
09 · Cronograma
Ruta de trabajo doctoral
Sem. 1–4Revisión bibliográfica, recolección de datos, procesamiento, etiquetado y diseño de algoritmos.
Sem. 5Integración web, evaluación CNN, morfometría, clasificación fenológica y consolidación de plataforma.
Sem. 6Optimización del detector, validación con GSD real, análisis experimental y mejora de modelos.
Sem. 7–8Artículos científicos, redacción de tesis y defensa doctoral.
10 · Trabajo futuro
Siguientes pasos
Validación con más imágenes
GSD real por vuelo
Dashboard estadístico
Mapa interactivo
Gestión de usuarios
Proyectos por productor
Imágenes multiespectrales
Artículos y tesis
11 · Referencias base
Artículos consultados
Espinoza-Hernández, J., López-Canteñs, G. J., López-Cruz, I. L., & Romantchik-Kriuchkova, E. (2023). Agave plant density using convolutional neural networks on aerial imagery. Agrociencia, 57(7), 803–822. https://doi.org/10.47163/agrociencia.v57i7.2970
He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 770–778. https://doi.org/10.1109/CVPR.2016.90
He, K., Zhang, X., Ren, S., & Sun, J. (2016). Identity mappings in deep residual networks. In European Conference on Computer Vision (pp. 630–645). Springer, Cham. https://doi.org/10.1007/978-3-319-46493-0_38
Kamilaris, A., & Prenafeta-Boldú, F. X. (2018). A review of the use of convolutional neural networks in agriculture. The Journal of Agricultural Science, 156(3), 312–322. https://doi.org/10.1017/S002185961800043X
Sánchez, A., Nanclares, R., Pelagio, U., Quevedo, A., Calvario, G., Aguilar, A., & Moya Sánchez, E. U. (2023). Agave crop segmentation and maturity classification with deep learning data-centric strategies using very high-resolution satellite imagery. International Journal of Remote Sensing, 44(22), 7017–7032. https://doi.org/10.1080/01431161.2023.2275320
Ji, J., Xiong, M., Liu, Z., Tan, Y., & Li, H. (2024). ICS-ResNet: A Lightweight Network for Maize Leaf Disease Classification. Agronomy, 14(7), 1587. https://doi.org/10.3390/agronomy14071587
Maeda-Gutiérrez, V., Galván-Tejada, C. E., Zanella-Calzada, L. A., Celaya-Padilla, J. M., Galván-Tejada, J. I., Gamboa-Rosales, H., Luna-García, H., Magallanes-Quintanar, R., Guerrero-Méndez, C. A., & Olvera-Olvera, C. A. (2020). Comparison of convolutional neural network architectures for classification of tomato plant diseases. Applied Sciences, 10(4), 1245. https://doi.org/10.3390/app10041245