Innovación tecnológica al servicio de la sanidad y productividad del cultivo
La transformación digital también está llegando a los cultivos de cacao. Investigadores de la Universidad EAFIT, en articulación con los grupos de investigación SISE y TAPMI, desarrollan el proyecto“Método para la detección y ubicación geográfica de moniliasis empleando técnicas de visión artificial en cultivos de cacao”.
Esta iniciativa busca aportar nuevas herramientas para el monitoreo fitosanitario mediante la integración de inteligencia artificial, visión por computador, georreferenciación y sensores capacitivos. Su propósito es apoyar la identificación de síntomas asociados con la moniliasis y reconocer el estado de maduración de las mazorcas.
La Universidad EAFIT también presenta CacaoRisk, una plataforma orientada a predecir el riesgo de moniliasis y otras enfermedades a partir de información del cultivo y de las condiciones ambientales. La propuesta busca generar alertas tempranas, reducir pérdidas y facilitar decisiones fitosanitarias basadas en datos. [eafit.edu.co]
Un desafío para la cacaocultura
La moniliasis es una enfermedad causada por el hongo Moniliophthora roreri y representa una amenaza importante para la producción de cacao. Puede ocasionar daños considerables en las mazorcas, disminuir el rendimiento y afectar la calidad de la cosecha.
La identificación oportuna es fundamental porque los síntomas varían según el avance de la enfermedad. Entre las manifestaciones visibles se encuentran deformaciones o “gibas”, manchas aceitosas o cafés y, en etapas avanzadas, una capa blanca asociada con la esporulación del hongo. El conjunto de datos desarrollado para apoyar esta investigación organiza las imágenes en cuatro categorías: mazorcas sanas, frutos con gibas, frutos con manchas cafés o aceitosas y frutos con esporulación. [pmc.ncbi.nlm.nih.gov], [zenodo.org]
El diagnóstico convencional depende principalmente de recorridos periódicos y de la observación de los síntomas. Aunque estas prácticas continúan siendo indispensables, las herramientas digitales pueden ayudar a estandarizar la inspección, registrar la ubicación de los hallazgos y analizar grandes cantidades de información.
Visión artificial aplicada al cultivo
La visión por computador permite que un sistema analice imágenes digitales e identifique patrones visuales. En este proyecto, los modelos de inteligencia artificial son entrenados con fotografías de mazorcas sanas y afectadas por diferentes estados de moniliasis.
El proceso comprende cuatro componentes principales:
-
Captura de imágenes: se recopilan fotografías de mazorcas en condiciones reales de campo.
-
Clasificación de síntomas: las imágenes se organizan según el estado sanitario y los signos visibles de la enfermedad.
-
Entrenamiento de modelos: los algoritmos aprenden a diferenciar mazorcas sanas de frutos con síntomas compatibles con moniliasis.
-
Ubicación geográfica: los registros pueden asociarse con el lugar donde se identificó cada caso, facilitando el seguimiento territorial.
El sistema no pretende sustituir el conocimiento del productor ni el diagnóstico técnico. Su función es convertirse en una herramienta complementaria para orientar recorridos, priorizar áreas de revisión y mejorar la oportunidad de las decisiones.
CocoaMoniliaDataSet: imágenes reales para entrenar la inteligencia artificial
Uno de los resultados relevantes de esta línea de trabajo es CocoaMoniliaDataSet, un conjunto especializado de imágenes de mazorcas de cacao tomadas en condiciones reales.
La versión publicada contiene 1.953 imágenes distribuidas en cuatro clases: frutos sanos, primera etapa con gibas, etapas intermedias con manchas cafés o aceitosas y etapa avanzada con esporulación. Las anotaciones se ofrecen en formatos compatibles con algoritmos de detección de objetos y segmentación de imágenes. [pmc.ncbi.nlm.nih.gov], [zenodo.org]
Este recurso permite:
- Entrenar y comparar diferentes modelos de inteligencia artificial.
- Reconocer síntomas visibles en distintos estados de desarrollo.
- Mejorar progresivamente la capacidad de detección.
- Facilitar nuevos estudios sobre diagnóstico digital de enfermedades.
- Compartir información estructurada con la comunidad científica.
El conjunto de datos está disponible públicamente y cuenta con formatos de anotación COCO, YOLO y máscaras de segmentación, lo que favorece su uso en distintos modelos de visión por computador. [github.com], [github.com]
Participación de la Compañía Nacional de Chocolates
La Compañía Nacional de Chocolates apoya esta iniciativa facilitando su Granja Experimental como escenario para la experimentación, validación y recolección de información.
El trabajo en condiciones reales de cultivo permite obtener imágenes con diferentes variedades, niveles de maduración, condiciones de iluminación y manifestaciones de la enfermedad. Esta diversidad es indispensable para construir modelos más robustos y con mayor capacidad de adaptación al entorno productivo.
De acuerdo con la información técnica suministrada por el proyecto, durante las pruebas se han alcanzado niveles de precisión superiores al 90 % en la identificación de afecciones. Este resultado debe interpretarse dentro de las condiciones específicas de entrenamiento y validación de cada modelo. La validación continua en campo será esencial para determinar su desempeño en diferentes regiones, materiales genéticos y condiciones ambientales.
Beneficios esperados para los productores
La aplicación de estas tecnologías puede contribuir a:
- Detectar oportunamente síntomas compatibles con moniliasis.
- Registrar la localización de las mazorcas afectadas.
- Priorizar sectores del cultivo que requieren revisión.
- Mejorar la calidad y trazabilidad de los registros fitosanitarios.
- Apoyar decisiones de manejo basadas en información.
- Reducir pérdidas mediante intervenciones más oportunas.
- Fortalecer la transferencia de conocimiento entre investigadores, técnicos y productores.
Las plataformas predictivas especializadas en cacao también pueden integrar información biótica y ambiental para anticipar condiciones de riesgo, orientar el seguimiento y optimizar el uso de insumos. [eafit.edu.co]
La tecnología complementa el manejo agronómico
Una herramienta de inteligencia artificial no reemplaza las medidas de manejo integrado. La prevención de la moniliasis continúa dependiendo de prácticas como:
- Realizar recorridos frecuentes por el cultivo.
- Identificar y retirar oportunamente los frutos afectados.
- Mantener una poda adecuada.
- Regular la sombra.
- Favorecer la ventilación.
- Registrar la incidencia de la enfermedad.
- Evitar la permanencia de mazorcas enfermas como fuente de inóculo.
- Solicitar acompañamiento técnico cuando sea necesario.
El mayor valor de la innovación aparece cuando la tecnología se combina con la experiencia del productor, el conocimiento agronómico y la asistencia técnica.
Investigación aplicada para una cacaocultura sostenible
La articulación entre la Universidad EAFIT, los grupos de investigación y la Compañía Nacional de Chocolates demuestra el potencial del trabajo conjunto entre academia y sector productivo.
La inteligencia artificial, la visión por computador y el análisis de datos abren nuevas posibilidades para anticipar riesgos, mejorar los registros de campo y fortalecer el manejo fitosanitario. Sin embargo, el éxito de estas herramientas dependerá de su validación, facilidad de uso, funcionamiento en zonas rurales y capacidad para generar recomendaciones comprensibles y aplicables.
Desde la Compañía Nacional de Chocolates continuamos promoviendo la investigación aplicada, la transferencia de conocimiento y el desarrollo de soluciones que contribuyan a una cacaocultura más productiva, tecnológica y sostenible.
