Скачать или смотреть Monitoreo del cultivo de café a través de fotos tomadas con celulares y analizadas con IA.

Resumen:
La ciencia ciudadana se presenta como un enfoque prometedor y escalable para la recolección de datos agrícolas, particularmente en entornos con pocos recursos. Sin embargo, las preocupaciones sobre la calidad de los datos y su impacto en el rendimiento de los modelos de inteligencia artificial (IA) siguen estando poco exploradas. Este estudio investiga los factores que influyen en la precisión de un modelo de aprendizaje profundo entrenado con datos generados por ciencia ciudadana para la producción de café. Específicamente, analizamos los errores de un modelo de detección de objetos YOLO v8 (You Only Look Once) entrenado para detectar cerezas de café en imágenes capturadas por pequeños productores de café en Colombia y Perú utilizando sus propios celulares.

El modelo YOLO v8 fue entrenado con más de 30,000 cerezas de café anotadas y evaluado utilizando 637 nuevas fotos. Aplicamos un modelo lineal mixto (LMM) y un árbol de decisiones para evaluar el efecto de varios factores—la identidad del fotógrafo, el cumplimiento del protocolo, las especificaciones del teléfono móvil, las características de la imagen, la variedad de café y la ubicación geográfica—en el error de predicción e(j). Nuestros hallazgos revelaron que la identidad del fotógrafo y la adherencia a los protocolos de recolección de imágenes fueron los factores más influyentes, ya que el cumplimiento del protocolo mejoró significativamente el rendimiento del modelo (aumento de R2 de 0.48 a 0.73). Por el contrario, factores como el tipo de teléfono móvil, el tamaño de la pantalla o las diferencias geográficas no impactaron sustancialmente la precisión del modelo.

Estos resultados subrayan la importancia de las pautas estructuradas para la recolección de datos, el entrenamiento localizado y la retroalimentación continua para mejorar la confiabilidad de los datos de ciencia ciudadana para aplicaciones de aprendizaje automático. Además, demostramos que prácticamente cualquier dispositivo móvil con cámara puede contribuir con datos útiles, resaltando la escalabilidad de este método para el monitoreo agrícola en tiempo real impulsado por los agricultores. Nuestro trabajo contribuye a una comprensión más amplia de cómo los enfoques participativos y la IA pueden integrarse para apoyar el desarrollo agrícola sostenible y la innovación digital inclusiva.


Juan Camilo Rivera-Palacio: matemático, Maestría en Ciencia de Datos (España) y actualmente cursa un doctorado (Alemania) en IA en Ciencias Ambientales. Cuenta con más de 8 años de experiencia con métodos de IA aplicados a las Ciencias Ambientales. Actualmente trabaja en el Laboratorio de IA de la ZALF (Leibniz Centre for Agricultural Landscape Research ) dirigido por el profesor Masahiro Ryo.
Afiliaciones actuales
● Leibniz Centre for Agricultural Landscape Research (ZALF).
● Brandenburgische Technische Universität Cottbus–Senftenberg (BTU).
● Alliance of Bioversity International and the International Center for Tropical Agriculture (ABC).

Videoconferencia
Viernes 26 de septiembre-10: 00 am|UTC-5