Two-stage machine vision and near-infrared spectroscopy for grading leafhopper damage in fresh tea leaves

El té de alta calidad es, a menudo, una historia de daño. En el caso del Zijin Chan, un té distintivo del sur de China, el carácter mismo de la taza final depende de que las hojas frescas sean mordisqueadas por un diminuto insecto llamado saltahojas de la hoja verde del té. A medida que el insecto se alimenta, este desencadena cambios químicos dentro de la planta que crean un aroma y un sabor únicos similares a la miel. La severidad de este alimento determina el grado del té y su valor de mercado. Durante siglos, los agricultores han juzgado este daño a simple vista, buscando signos específicos como el color de la hoja, la presencia de manchas marrones y cuánto se ha curvado la hoja. Sin embargo, el juicio humano es lento e inconsistente; varía de persona a persona y cambia con la luz o la fatiga del observador. Para producir un producto consistente y de alta calidad, la industria necesita una forma de medir este daño de manera rápida y objetiva, sin depender del ojo subjetivo de un experto humano.

Aquí es donde entra en juego la intersección de dos formas diferentes de ver el mundo. Una es la visión artificial, donde una cámara captura la apariencia externa de un objeto, de forma muy similar al ojo humano pero con la capacidad de procesar miles de imágenes en segundos. La otra es la espectroscopia de infrarrojo cercano, una técnica que mira dentro del material para leer su composición química mediante el análisis de cómo absorbe la luz. Mientras que una cámara puede ver una mancha marrón, no puede ver el azúcar o los aminoácidos cambiando dentro de la hoja que le otorgan su sabor. Al combinar estos dos métodos, investigadores de la Universidad de Jiangnan han desarrollado un nuevo sistema que actúa como un filtro de dos etapas, utilizando la velocidad de la cámara para cribar la mayoría de las hojas y la visión química de la espectroscopia para verificar las que la cámara encuentra confusas.

Los investigadores comenzaron entrenando un modelo computacional para reconocer y clasificar hojas de té frescas basadas en la severidad del daño por insectos. Utilizaron un sofisticado sistema de reconocimiento de imágenes, una versión mejorada de una tecnología conocida como YOLO, que está diseñada para encontrar objetos en imágenes y clasificarlos instantáneamente. El equipo alimentó el sistema con miles de imágenes de hojas de té, enseñándole a distinguir entre tres niveles de daño: leve, moderado y severo. También enseñaron al modelo a ignorar la realidad desordenada de una pila de hojas, donde las hojas se superponen, se curvan y ocultan partes unas de otras. El modelo mejorado aprendió a centrarse en las señales visuales específicas que importan, como el color del brote de té, la extensión del chamuscado marrón en los bordes de la hoja y el grado de curvatura.

Al ser probado en un gran lote de imágenes que contenía cuatro mil objetivos de hojas individuales, este sistema de cámara mejorado se desempeñó de manera impresionante. Identificó y clasificó con éxito la gran mayoría de las hojas que podía ver claramente. Sin embargo, como cualquier sistema que depende de la vista, se topó con un muro cuando la información visual era demasiado ambigua. En aproximadamente el doce por ciento de los casos, la cámara no pudo tomar una decisión con confianza. Estos fueron los objetivos de "sin resultado": hojas que estaban demasiado curvadas, demasiado ocultas por sus vecinas, o simplemente demasiado similares en apariencia como para distinguir entre un daño leve y uno moderado. Si el proceso se detenía aquí, estas hojas difíciles quedarían sin clasificar o, peor aún, serían clasificadas incorrectamente, lo que podría arruinar la calidad del lote final de té.

Para resolver este problema, los investigadores introdujeron una segunda etapa para estas muestras persistentes. En lugar de intentar forzar a la cámara a ver mejor, recurrieron a la firma química oculta dentro de la hoja. Tomaron las muestras físicas correspondientes a las hojas que la cámara no pudo clasificar y las sometieron a espectroscopia de infrarrojo cercano. Este proceso implicó congelar, secar y moler las hojas para crear un polvo uniforme, que luego fue escaneado con luz. La luz interactuó con los compuestos químicos dentro de la hoja —como polifenoles del té, azúcares y aminoácidos— creando una huella espectral única. Los investigadores descubrieron que las hojas con diferentes niveles de daño por insectos tenían perfiles químicos distintos. Por ejemplo, las hojas con daño moderado tendían a tener niveles más altos de ciertos polifenoles, mientras que las hojas severamente dañadas mostraban un aumento de aminoácidos libres.

Utilizando estas huellas químicas, el equipo construyó un segundo modelo para actuar como árbitro. Este modelo fue entrenado con un conjunto separado de doscientas cuarenta muestras para aprender la diferencia entre las clases leve, moderada y severa basándose puramente en su química interna. Cuando este modelo químico se aplicó a las muestras difíciles que la cámara había rechazado, resultó ser notablemente preciso. Clasificó correctamente casi el noventa y seis por ciento de las hojas problemáticas. Al combinar la velocidad de la cámara con la visión química de la espectroscopia, los investigadores crearon un flujo de trabajo que podía manejar todo el lote. La cámara realizó el trabajo pesado, clasificando los casos fáciles instantáneamente, mientras que la espectroscopia intervenía solo cuando era necesario para resolver los casos difíciles.

El resultado de este enfoque de dos etapas fue un salto significativo en la precisión general. Si los investigadores se hubieran basado únicamente en la cámara, el sistema habría clasificado correctamente solo alrededor del setenta y ocho por ciento de todas las hojas. Al añadir la reevaluación química para los casos difíciles, la precisión total aumentó a casi el noventa por ciento. Esta mejora demuestra que, si bien una cámara es excelente para ver la superficie, no siempre puede ver a través de la complejidad de la naturaleza. El análisis químico proporciona un respaldo necesario, asegurando que incluso las hojas más confusas sean clasificadas correctamente.

Sin embargo, los investigadores son cuidadosos al señalar que este éxito se logró en un entorno de laboratorio controlado. El análisis químico requirió que las hojas fueran procesadas —congeladas, secadas y molidas— lo cual no es la forma en que se maneja el té en una línea de clasificación en tiempo real. El sistema actual es una prueba de concepto, que muestra que la combinación de datos visuales y químicos funciona en principio. El siguiente paso, que los autores identifican como esencial, es adaptar este método para hojas frescas que se mueven en una cinta transportadora, sin la necesidad de moler o congelar. Hasta que eso suceda, el sistema sigue siendo una herramienta poderosa para la clasificación de laboratorio y un plano para futuros sistemas de inspección en línea, ofreciendo un camino hacia la producción de té más consistente y de mayor calidad.