📄 plant biology

Vision Normalizing Flows for the probability-informed detection of banana diseases from in-field images

Este artículo presenta un marco de reconocimiento de imágenes ligero y probabilístico que aprovecha las incrustaciones (embeddings) congeladas de DINOv3 y flujos normalizadores condicionales para lograr una precisión casi perfecta en la detección de cinco enfermedades principales del banano a partir de imágenes de campo, proporcionando al mismo tiempo estimaciones de incertidumbre interpretables para el despliegue escalable en sistemas de agricultura de pequeña escala.

Autores originales: Prusokiene, A., Prusokas, A., Retkute, R.

Publicado 2026-07-21

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Prusokiene, A., Prusokas, A., Retkute, R.

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo

Imagina que eres un detective intentando resolver un misterio, pero en lugar de una escena del crimen, estás observando una hoja de banano. En el mundo de la agricultura, detectar una planta enferma a tiempo es como encontrar una pista antes de que el villano escape; esto detiene la propagación de la enfermedad y salva la cosecha. Durante mucho tiempo, las computadoras que intentaban hacer este trabajo han sido como detectives que son demasiado seguros de sí mismos. Miran una foto y dicen: "¡Eso es definitivamente un banano con una enfermedad específica!", incluso si la foto es en realidad de una planta diferente, una roca, o un banano que simplemente se ve un poco raro debido al clima. Están entrenadas para elegir una respuesta de una lista, y si la respuesta no está en la lista, simplemente adivinan de todos modos.

Para solucionar esto, los científicos están utilizando dos herramientas poderosas. Primero, hay "modelos fundacionales", que son como estudiantes súper inteligentes que han leído casi todas las imágenes del mundo. Conocen cómo es una hoja, un árbol o un banano sin necesidad de que se les enseñe específicamente sobre enfermedades del banano. Segundo, hay "flujos de normalización" (normalizing flows). Piensa en esto como un tipo especial de máquina de probabilidad. En lugar de solo adivinar una etiqueta, esta máquina pregunta: "¿Qué tan probable es que esta foto pertenezca al grupo de 'banano enfermo'?" y "¿Qué tan probable es que esta foto pertenezca al grupo de 'banano sano'?". Si la foto es una roca, la máquina dice: "¡Ninguna de las dos! Esto no encaja en mi mapa en absoluto". Este artículo combina estas dos herramientas para crear un detective que no solo adivina, sino que realmente sabe cuándo no está seguro.

Los investigadores detrás de este estudio, Alisa Prusokiene, Augustinas Prusokas y Renata Retkute, querían construir un sistema que pudiera mirar fotos de plantas de banano tomadas en campos reales y decirle a los agricultores si la planta está enferma, sana, o si la foto es simplemente de algo que no es un banano en absoluto. Se centraron en cinco enfermedades terribles que dañan a los productores de banano: Marchitez de Xanthomonas, Brote de Punta Amarilla del Banano (Banana Bunchy Top Disease), Marchitez Fusarium (también conocida como enfermedad de Panamá), Sigatoka Amarilla y Sigatoka Negra.

Aquí es donde su "superdetective" funciona. No intentaron enseñar a una computadora a aprender todo desde cero. En su lugar, utilizaron un cerebro preentrenado llamado DINOv3. Imagina a DINOv3 como un genio que ya ha memorizado las formas y texturas de millones de imágenes naturales. Los investigadores tomaron este genio, congelaron su cerebro para que no cambiara, y le pidieron que convirtiera cada foto de banano en una larga lista de números (un "embedding" de 1,152 dimensiones) que describe cómo es la imagen.

Luego, alimentaron estas listas de números en su máquina de probabilidad especial, el flujo condicional de normalización. Esta máquina aprendió a mapear la "forma" de cómo se ve un banano sano y la "forma" de cómo se ve cada una de las cinco enfermedades. Cuando llega una nueva foto, la máquina no solo elige un ganador; calcula la probabilidad matemática exacta de que la foto pertenezca a cada categoría.

Los resultados fueron increíblemente sólidos. Cuando probaron el sistema con un conjunto de imágenes que nunca había visto, fue casi perfecto para distinguir entre plantas enfermas y sanas. Para cada una de las enfermedades, el modelo logró un puntaje F1 (una medida de precisión) superior a 0.98. También obtuvo puntajes de "Precisión Promedio" entre 0.968 y 0.999, y puntajes de "AUROC" (que miden qué tan bien separa lo enfermo de lo sano) entre 0.997 y 1.000. En lenguaje sencillo, acertó casi todo el tiempo.

La parte más emocionante, sin embargo, es cómo el modelo maneja la confusión. La única vez que realmente tuvo dificultades fue entre la Sigatoka Amarilla y la Sigatoka Negra. Estas dos enfermedades se ven muy similares en las etapas iniciales, como gemelos usando camisas de colores ligeramente distintos. El modelo a veces las confundía, pero incluso entonces, sabía que estaba confundido. Debido a que el modelo calcula probabilidades, puede decirte: "Creo que esto es Sigatoka Amarilla, pero no estoy 100% seguro porque se parece mucho a la Sigatoka Negra". Esto es una gran mejora respecto a los sistemas anteriores que simplemente elegían una y pretendían estar seguros.

El modelo también demostró que podía distinguir entre una planta de banano y un objeto completamente diferente. Si le mostrabas la foto de un perro, un edificio o un arbusto aleatorio, el sistema no forzaba un diagnóstico de enfermedad del banano. En su lugar, marcaba la imagen como "fuera de distribución", lo que significa: "Esto no es un banano, así que no puedo diagnosticarlo". Esto es crucial para el uso en el mundo real, donde un agricultor podría tomar accidentalmente una foto de algo equivocado.

Los investigadores descubrieron que, al usar estos dos "cocientes de log-verosimilitud" complementarios —uno comparando la enfermedad con un banano sano, y otro comparando el banano con imágenes que no son de banano— podían crear un mapa bidimensional. En este mapa, los bananas enfermos, los bananas sanos y los objetos aleatorios aterrizan en zonas diferentes y claramente separadas. Esto permite que el sistema no solo diagnostique la enfermedad, sino que también señale las predicciones inciertas para que un experto humano las verifique.

En resumen, este artículo sugiere que al combinar un modelo de visión preentrenado y congelado con un flujo basado en la probabilidad, podemos crear una herramienta de diagnóstico que es tanto altamente precisa como honesta sobre su propia incertidumbre. No solo dice "Está enfermo"; dice "Está enfermo, y aquí te digo exactamente qué tan seguro estoy", además de saber cuándo decir: "Espera, eso ni siquiera es un banano". Este enfoque ofrece un camino prometedor para construir herramientas confiables y escalables que puedan ayudar a los pequeños agricultores en regiones tropicales a proteger sus cultivos sin necesidad de equipo de laboratorio costoso.

Resumen Técnico: Flujos de Normalización de Visión para la Detección Probabilística de Enfermedades del Banano

Planteamiento del Problema
Las enfermedades del banano, incluyendo la Marchitez de Xanthomonas (BXW), el Mal del Cogollo del Banano (BBTD), la Marchitez por Fusarium, la Sigatoka Amarilla y la Sigatoka Negra, causan pérdidas severas en la producción de los sistemas agrícolas de pequeña escala. El diagnóstico preciso en campo se ve dificultado por la expresión variable de los síntomas entre cultivares y etapas de crecimiento, así como por signos foliares con superposición morfológica. Aunque los métodos de laboratorio (por ejemplo, PCR, ELISA) ofrecen una alta sensibilidad, suelen ser inaccesibles para los pequeños agricultores debido a los requisitos de costo e infraestructura. Las soluciones actuales de visión computacional, basadas principalmente en Redes Neuronales Convolucionales (CNN), operan bajo un supuesto de "conjunto cerrado". Estos modelos discriminativos asignan cada entrada a una clase de entrenamiento, produciendo a menudo predicciones de alta confianza incluso para imágenes fuera de la distribución (OOD) (por ejemplo, vegetación que no es de banano, estrés atípico o enfermedades novedosas), fallando así al cuantificar la incertidumbre o al reconocer cuándo una imagen queda fuera de la distribución de entrenamiento.

Metodología
Los autores proponen un marco de reconocimiento de imágenes probabilístico que desacopla la extracción de características visuales de la inferencia probabilística. La arquitectura consta de dos componentes principales:

Modelo de Visión Fundacional Congelado: El sistema utiliza el modelo de visión fundacional DINOv3 (Auto-destilación sin Etiquetas) como extractor de características congelado. En lugar de realizar el ajuste fino (fine-tuning) del backbone, el modelo extrae embeddings de 1,152 dimensiones. Estos embeddings se construyen mediante la concatenación del token de clasificación, un token de registro promediado y un token de parche (patch token) promediado del variante ViT-S de DINOv3. Este enfoque aprovecha representaciones de propósito general mediante aprendizaje autodidacta sin adaptación específica a la tarea.
Flujo de Normalización Condicional: Los embeddings extraídos se introducen en un flujo de normalización condicional implementado utilizando la biblioteca de PyTorch Zuko. Este flujo modela la densidad de probabilidad condicional $p_\theta(z | y)$ $p_{θ} (z ∣ y)$ , donde $z$ $z$ es el embedding de la imagen y $y$ $y$ es el vector de condicionamiento de la clase de la enfermedad.
- El flujo emplea ocho transformaciones de spline autorregresivas parametrizadas mediante redes totalmente conectadas con máscaras y activaciones SiLU.
- Estas transformaciones utilizan bijecciones de spline racional-cuadrática monotónica (RQS) para mapear la compleja distribución multimodal de los embeddings de DINOv3 sobre una distribución latente gaussiana multivariante simple.
- El condicionamiento de clase se logra mediante un vector de ocho dimensiones suministrado a cada transformación.
- Durante la inferencia, el modelo evalúa la verosimilitud (log-likelihood) de un único embedding de imagen bajo cada una de las ocho clases de enfermedad/condición (cinco enfermedades, banano sano, vegetación que no es de banano y escenas naturales generales).

Estrategia de Entrenamiento
El modelo fue entrenado en un conjunto de datos combinado de más de 100,000 imágenes provenientes de cuatro conjuntos de datos públicos (Ouedraogo et al., Mduma y Elinisa, Garcin et al. y Unsplash). Para abordar el desequilibrio de clases y mejorar la generalización, los autores emplearon:

Mixup de Dirichlet: Los lotes de entrenamiento consistieron en 4,096 vectores latentes generados mediante la combinación lineal de representaciones latentes de diferentes clases basadas en pesos distribuidos según Dirichlet.
Aumento de Datos: Se aplicó un extenso aumento de imágenes (geométrico, ambiental, de cámara y efectos de ruido) al conjunto de entrenamiento previo a la extracción de características.
Optimización: El modelo fue optimizado utilizando el optimizador Prodigy y el marco Schedule-Free, minimizando el log-verosimilitud negativo (NLL) promedio sin programación manual de la tasa de aprendizaje.

Resultos Clave
Evaluado en un conjunto de prueba independiente, el marco demostró:

Alta Precisión de Clasificación: El modelo alcanzó niveles de precisión multiclase casi perfectos. Las puntuaciones F1 superaron el 0.98 para todas las cinco enfermedades. La precisión promedio osciló entre 0.968 y 0.999, y los valores de AUROC estuvieron entre 0.997 y 1.000.
Desempeño Específico: La Marchitez por Fusarium logró el mayor desempeño (F1 = 0.9927, AUROC = 0.9998). La principal fuente de confusión fue entre la Sigatoka Amarilla y la Sigatoka Negra, una ambigüedad biológicamente plausible debido a la superposición de los síntomas de infección temprana.
Incertidumbre y Detección de OOD: A diferencia de los clasificadores softmax, el flujo de normalización proporcionó estimaciones de verosimilitud explícitas. El sistema distinguió con éxito plantas enfermas, plantas sanas e imágenes OOD (vegetación que no es de banano y escenas generales) utilizando dos razones de log-verosimilitud complementarias:
1. Una razón de enfermedad (clase de enfermedad frente a banano sano).
2. Una razón de planta (banano frente a no-banano).
Espacio de Diagnóstico: Estas razones definen un espacio de diagnóstico bidimensional que separa claramente las clases y señala las predicciones inciertas (muestras cerca de las fronteras de decisión) para su confirmación mediante pruebas de laboratorio.

Significancia y Reivindicaciones
El artículo sostiene que este enfoque aborda una brecha crítica en la IA agrícola: la incapacidad de los sistemas actuales para reconocer cuándo están siendo inciertos o cuándo una entrada está fuera de su distribución de entrenamiento. Las contribuciones clave son:

Diagnósticos Conscientes de la Incertidumbre: Al estimar densidades de probabilidad condicional explícitas en lugar de fronteras de decisión, el sistema proporciona medidas interpretables de la confianza de la predicción y la relevancia de la imagen. Esto permite la identificación de casos ambiguos que requieren revisión experta o confirmación de laboratorio.
Eficiencia y Transferibilidad: El método logra un alto rendimiento sin necesidad de realizar un ajuste fino específico de la enfermedad en el backbone de visión, lo que sugiere que los modelos fundacionales de propósito general capturan suficientes características visuales para la discriminación de enfermedades. Esto reduce la dependencia de grandes conjuntos de datos anotados específicos de cada enfermedad.
Escalabilidad: El proceso de inferencia depende de embeddings congelados y la evaluación de un flujo ligero, lo que lo hace compatible con el despliegue en teléfonos inteligentes para sistemas de agricultura de pequeña escala y programas de vigilancia de enfermedades.

Los autores señalan limitaciones, incluyendo la dependencia de síntomas visibles (incapacidad de detectar infecciones latentes), el uso de conjuntos de datos públicos retrospectivos en lugar de ensayos de campo prospectivos, y la subrepresentación de infecciones mixtas o enfermedades novedosas en los datos de entrenamiento. Concluyen que, si bien su sistema no reemplaza el diagnóstico molecular, ofrece una herramienta escalable para priorizar recursos diagnósticos escasos y mejorar la cobertura de vigilancia.

Más como este