📄 agricultura

Constructing the Comprehensive Intelligent Monitoring System based on Wireless Sensor Networks (WSNs) for Mango Crop Precision Agriculture

Este artículo presenta un sistema de monitoreo inteligente integral para la agricultura de precisión del mango que integra sensores físicos validados, un modelo Improved-YOLOv10 que aprovecha StarNet para la detección de enfermedades con alta precisión, y una red de sensores inalámbricos mejorada con el optimizador Aquila para lograr una eficiencia energética óptima y baja latencia.

Autores originales: Wen-Tsai Sung, Indra Griha Tofik Isa, Sung-Jung Hsiao

Publicado 2026-09-24

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Wen-Tsai Sung, Indra Griha Tofik Isa, Sung-Jung Hsiao

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

En los vastos huertos bañados por el sol donde los mangos extienden sus ramas, la diferencia entre una cosecha abundante y una pérdida de cultivo a menudo reside en los detalles invisibles. Los agricultores han dependido durante mucho tiempo de la experiencia para juzgar la salud de sus árboles, pero está surgiendo un nuevo enfoque que combina la vigilancia silenciosa de pequeños sensores alimentados por baterías con los ojos agudos de la inteligencia artificial. Este campo, conocido como agricultura de precisión, busca tratar a cada planta como un individuo, recopilando datos sobre el aire, el suelo y la propia fruta para tomar decisiones que sean tanto eficientes como oportunas. Al entrelazar redes de sensores que se comunican entre sí y cámaras que pueden detectar una enfermedad antes de que se propague, los investigadores están construyendo un sistema que permite a los cultivadores ver las condiciones ocultas de sus huertos en tiempo real. El objetivo no es solo monitorear, sino comprender la compleja red de factores que determinan si un mango prosperará o se marchitará, convirtiendo las conjeturas en una ciencia de la observación.

En un estudio reciente, los investigadores se propusieron construir tal sistema de monitoreo integral específicamente para los cultivos de mango, con el objetivo de capturar la imagen completa del entorno del huerto. Comenzaron validando un conjunto de sensores físicos diseñados para medir la humedad y la temperatura del aire, así como la humedad y la acidez del suelo. Para asegurar que estos dispositivos fueran confiables, el equipo comparó sus lecturas con herramientas de medición estándar a lo largo de un día. Los resultados mostraron que los sensores eran notablemente precisos, con un error promedio de menos del uno por ciento. Este alto nivel de precisión significó que el sistema podía confiar en los datos que recolectaba para tomar decisiones acertadas sobre el riego o el tratamiento del suelo, proporcionando una base sólida para el resto de la red de monitoreo.

Sin embargo, saber que el suelo está húmedo o que el aire es húmedo es solo la mitad de la historia; la otra mitad implica ver la fruta misma. Los investigadores desarrollaron un modelo de visión computacional especializado para inspeccionar los mangos en busca de signos de enfermedad, capaz de distinguir entre la fruta sana y aquella que sufre de dolencias específicas como alternaria, antracnosis, moho negro o podredumbre del extremo del tallo. Para lograr que este sistema fuera lo suficientemente rápido como para ejecutarse en equipos portátiles en el campo, mejoraron un algoritmo de detección de imágenes existente mediante la integración de un nuevo componente arquitectónico que permite a la computadora reconocer patrones complejos sin necesidad de un poder de cómputo excesivo. Al ser probado, este modelo mejorado demostró ser superior a varios otros métodos de detección líderes, identificando correctamente la condición de la fruta en casi el 94 por ciento de los casos. También operó con mayor velocidad y requirió menos memoria, lo que lo hace ideal para su uso en pequeñas computadoras portátiles que pueden llevarse a través del huerto.

La pieza final del rompecabezas era conectar todos estos sensores y cámaras en una sola red eficiente. Debido a que los huertos de mango pueden ser grandes y estar dispersos, los investigadores necesitaban una forma de gestionar el flujo de información de docenas de dispositivos sin agotar sus baterías o causar retrasos. Emplearon una estrategia inspirada en el comportamiento de caza del águila Aquila, un algoritmo que optimiza cómo los dispositivos se organizan en grupos para compartir datos. Este enfoque permitió que la red encontrara las rutas más eficientes para enviar información, reduciendo significativamente la energía necesaria para transmitir datos y minimizando el tiempo que tardaban en llegar los mensajes. En pruebas que involucraron diez dispositivos conectados, esta red optimizada consumió menos energía y experimentó menos mensajes perdidos que los métodos anteriores, asegurando que los datos de los sensores y las cámaras llegaran al dispositivo del agricultor de manera rápida y confiable.

Al reunir estos tres elementos —sensores físicos precisos, una cámara de detección de enfermedades rápida e inteligente y una red de comunicación con eficiencia energética— el estudio presenta un sistema completo para el monitoreo de cultivos de mango. El sistema no solo recolecta datos; los procesa localmente para proporcionar información inmediata, permitiendo a los agricultores responder a los cambios en su huerto en el momento en que ocurren. La investigación demuestra que es posible construir una herramienta de monitoreo robusta e inteligente que funcione dentro de las limitaciones de una granja real, ofreciendo un camino práctico hacia una agricultura más sostenible y productiva. Los hallazgos sugieren que, con la combinación adecuada de tecnología de detección y algoritmos inteligentes, los cultivadores pueden mantener una visión constante y clara de sus cultivos, asegurando que cada árbol reciba el cuidado que necesita para producir la mejor fruta posible.

Resumen Técnico: Construcción del Sistema de Monitoreo Inteligente Integral basado en Redes de Sensores Inalámbricos (WSN) para la Agricultura de Precisión del Cultivo de Mango

Planteamiento del Problema
El artículo aborda la necesidad de mecanismos integrados y eficientes para aumentar la productividad agrícola en el cultivo de mango, un sector de gran valor económico en regiones como Taiwán. Los métodos agrícolas tradicionales suelen carecer de datos integrales y en tiempo real sobre la salud de los cultivos y las condiciones ambientales. Si bien la Agricultura de Precisión (PA) ofrece soluciones a través de IoT e IA, los sistemas existentes a menudo luchan con el equilibrio entre la eficiencia computacional y la precisión de detección en los modelos de detección de objetos, así como la eficiencia energética y la latencia en las configuraciones de Redes de Sensores Inalámbricos (WSN). El estudio tiene como objetivo construir un sistema que capture simultáneamente las condiciones atmosféricas, los parámetros del suelo y la fisiología del cultivo (específicamente la detección de enfermedades), optimizando al mismo tiempo el consumo de energía de la red y el tiempo de respuesta.

Metodología
El sistema propuesto integra tres componentes principales: dispositivos de detección física, un modelo de visión computarizada mejorado y una arquitectura de WSN optimizada.

Detección Física y Adquisición de Datos:
- El sistema utiliza sensores DHT22 para temperatura y humedad del aire, SKU: SSR1025 para la humedad del suelo, y un sensor dedicado para el pH del suelo.
- La recolección de datos fue validada mediante el análisis del Error Porcentual Absoluto Medio (MAPE) y métricas del Índice de Calidad de la Señal (SQI) (MSE y RMSE) para asegurar la precisión frente a herramientas de medición estándar.
- Una cámara Ameba AMB82 captura los datos visuales, los cuales son procesados por un dispositivo de borde NVIDIA Jetson Nano B01.
Modelo de Detección de Objetos Improved-YOLOv10:
- Para detectar las condiciones del fruto del mango, los autores desarrollaron un modelo "Improved-YOLOv10". Este modelo apunta a cinco clases: Alternaria, Anthracnose, Black_mould_rot, Stem_end_rot y Healthy.
- Innovación Arquitectónica: La estructura (backbone) del YOLOv10 estándar fue modificada reemplazando capas de bloques específicos (convolucionales, C2f y SCDown) con la arquitectura StarNet. StarNet utiliza una "operación estrella" (multiplicación elemento a elemento) dentro de los bloques estrella para mapear las entradas en espacios de características no lineales de alta dimensión dentro de un espacio de baja dimensión.
- Objetivo: Esta integración tiene como fin lograr una representación de características más rica y una mayor precisión de detección sin aumentar los costos computacionales o el tamaño del modelo.
- Conjunto de Datos: El modelo fue entrenado con un conjunto de 6,915 imágenes (aumentadas a partir de un inicial de 2,305), dividido en 70% para entrenamiento, 20% para validación y 10% para pruebas.
Configuración y Optimización de WSN:
- El área de monitoreo se divide en grupos (clusters), cada uno conteniendo un Jefe de Grupo (CH) y nodos sensores.
- Para optimizar el rendimiento de la red, se implementó el algoritmo Aquila Optimizer (AO). Este algoritmo de inspiración biológica gestiona la formación de grupos y el enrutamiento para minimizar el consumo de energía, el retraso y la pérdida de paquetes.
- La optimización se dirige a cuatro métricas: Consumo de energía ( $E$ ), costo de comunicación ( $C$ ), retraso en la transmisión de datos ( $\sigma$ ) y factores de distancia ( $D$ ).

Contribuciones Clave
El artículo describe tres contribuciones primarias:

Integración del Sistema: Desarrollo de un sistema de monitoreo integral que fusiona la detección física (atmosférica y del suelo) con la detección basada en visión (fisiología del cultivo) mediante WSNs e IoT para la agricultura de precisión del mango.
Mejora del Modelo: La creación del Improved-YOLOv10, que incorpora la arquitectura StarNet en su estructura (backbone). Esto permite la extracción de características de alta dimensión en un espacio de baja dimensión, mejorando la precisión sin añadir sobrecarga computacional.
Optimización de la Red: La implementación del Aquila Optimizer (AO) en las configuraciones de WSN para mejorar significativamente la eficiencia energética y reducir los retrasos y la tasa de pérdida de transmisión de datos.

Resultados

Validación de Sensores: Los dispositivos de detección física demostraron una alta precisión con un MAPE combinado de 0.63%. El análisis del Índice de Calidad de la Señal (SQI) mostró valores bajos de MSE y RMSE (todos por debajo de 1), confirmando una calidad de señal confiable, particularmente para la temperatura y la humedad del suelo.
Desempeño del Modelo:
- El Improved-YOLOv10 logró un mAP50 de 0.939 y un mAP50:95 de 0.884.
- En pruebas comparativas contra Faster R-CNN, SSD, YOLOv5, YOLOv7, YOLOv8, YOLOv10 y YOLOv11, el modelo propuesto superó a todos los demás en mAP50 (por ejemplo, YOLOv11 obtuvo 0.921; YOLOv10 obtuvo 0.905).
- Eficiencia: El modelo propuesto redujo el peso del modelo en un 28.16% (7.4 MB frente a 10.3 MB del YOLOv10 original) y redujo significativamente el recuento de parámetros.
- Tiempo de Inferencia: En la aplicación práctica en la Jetson Nano, el modelo propuesto logró los tiempos de inferencia más rápidos (por ejemplo, 2.1 ms para Image-A), superando significativamente a Faster R-CNN (25.4 ms) y otras variantes de YOLO.
Desempeño de WSN:
- Utilizando el algoritmo AO, el sistema logró una eficiencia superior en comparación con los métodos no optimizados existentes y otros optimizadores (PSO, COA).
- Con 10 nodos, el método AO resultó en un consumo de energía de 165 mJ (frente a 207 mJ del sistema existente), un retraso de 128 ms (frente a valores más altos en configuraciones no optimizadas) y una tasa de pérdida de paquetes de 7.6% (frente al 15.9% del sistema existente).

Significancia y Reivindicaciones
Los autores afirman que el sistema construido logra una eficiencia óptima en comparación con los sistemas existentes al equilibrar con éxito una alta precisión de detección con un bajo costo computacional y de consumo de energía. El estudio sostiene que la integración de StarNet en YOLOv10 proporciona una solución viable para entornos de computación en el borde (edge computing) donde los recursos son limitados, mientras que la WSN optimizada por AO asegura una transmisión de datos confiable y en tiempo real para grandes plantaciones de mango. El documento concluye que este enfoque integrado proporciona a los agricultores una herramienta conveniente, precisa y eficiente energéticamente para el monitoreo de la calidad de los cultivos y la implementación de tratamientos oportunos, apoyando así los objetivos de la Agricultura de Precisión. El trabajo futuro sugerido por los autores incluye la integración de UAVs y LiDAR para expandir aún más la cobertura y la confiabilidad.

Más como este