Tecnología

Una IA detecta daños en hongos con diez veces menos operaciones

Publicado el 22/11/2026
Comparte

Investigadores de la Universidad Estatal de Pensilvania desarrollaron PSUMamba, un modelo que analiza imágenes hiperespectrales y alcanzó una precisión media del 94,47 % al clasificar el deterioro de champiñones sometidos a diferentes tratamientos experimentales.


Redacción: Redacción Mundo Agropecuario BET
Editor: Karem Díaz S.

Un equipo de investigadores de la Universidad Estatal de Pensilvania (Penn State), en Estados Unidos, ha desarrollado un modelo de inteligencia artificial capaz de identificar diferentes tipos de deterioro en champiñones mediante imágenes hiperespectrales, utilizando aproximadamente diez veces menos operaciones computacionales que otro modelo avanzado empleado como referencia. La investigación, divulgada el 20 de noviembre de 2026 y publicada en la revista científica Scientific Reports, presenta una arquitectura denominada PSUMamba que combina información espectral, temporal y espacial para reconocer alteraciones en productos agrícolas.

El sistema fue evaluado con champiñones blancos de la especie Agaricus bisporus sometidos a tratamientos controlados de calor, radiación de microondas y daños mecánicos. Los resultados mostraron una precisión media del 94,47 %, una sensibilidad del 98,98 % y un área bajo la curva ROC del 99,36 %.

La principal aportación consiste en reducir las exigencias de procesamiento de datos sin renunciar a una elevada capacidad de clasificación dentro de las condiciones experimentales estudiadas. Esta combinación podría facilitar el desarrollo de futuras herramientas de vigilancia de cultivos y evaluación de calidad agrícola que necesiten procesar grandes cantidades de información visual.

Sin embargo, los investigadores advierten que todavía deben comprobar si el modelo mantiene su rendimiento en condiciones reales de producción y con otros cultivos sometidos a diferentes factores de estrés.

El problema de procesar grandes cantidades de información agrícola

Las cámaras hiperespectrales permiten registrar información que va más allá de las imágenes convencionales. Mientras una fotografía digital utiliza normalmente tres canales principales de color, estos instrumentos capturan numerosas bandas del espectro electromagnético.

Las diferencias en la luz reflejada por los tejidos pueden proporcionar información relacionada con cambios físicos y bioquímicos que no siempre resultan evidentes a simple vista.

Esta capacidad convierte a las imágenes hiperespectrales en una herramienta interesante para estudiar la calidad de los productos agrícolas, detectar alteraciones fisiológicas y desarrollar sistemas de seguimiento de cultivos.

Sin embargo, también plantea una dificultad técnica: cada imagen puede contener una cantidad considerable de información y, cuando se realizan mediciones sucesivas, el volumen de datos aumenta rápidamente.

Shirin Ghatrehsamani, profesora asistente de ingeniería agrícola y biológica de Penn State y autora principal sénior del estudio, explicó que analizar grandes conjuntos de imágenes hiperespectrales puede exigir importantes recursos de tiempo, memoria y energía.

Esta limitación resulta especialmente relevante para aplicaciones que necesitan procesar información de manera continua o funcionar en equipos con capacidades computacionales restringidas.

El desafío también aparece en otras líneas de investigación sobre sensores capaces de identificar señales tempranas de estrés en las plantas, donde obtener mediciones útiles es solamente una parte del problema y también resulta necesario interpretarlas correctamente.

PSUMamba utiliza tres vías para analizar las imágenes

Para reducir la carga computacional, los investigadores diseñaron PSUMamba mediante una arquitectura de aprendizaje profundo basada en redes neuronales de tipo Mamba.

Este tipo de modelos está concebido para procesar secuencias extensas de información de manera eficiente, una característica especialmente interesante cuando se trabaja con imágenes obtenidas en diferentes momentos.

La nueva arquitectura incorpora tres vías de procesamiento que examinan aspectos complementarios de los datos.

La primera analiza la información espectral, buscando variaciones que puedan estar relacionadas con cambios en las propiedades bioquímicas del material observado.

La segunda estudia la evolución temporal de las imágenes, con el objetivo de identificar cómo cambian las condiciones del producto durante el periodo de seguimiento.

La tercera examina las características espaciales, es decir, la distribución de patrones y alteraciones dentro de las imágenes.

Los resultados de estas tres vías se combinan para realizar la clasificación final.

Ghatrehsamani explicó que esta integración permite aprovechar diferentes dimensiones de la información hiperespectral sin depender exclusivamente de un análisis visual convencional.

El primer autor del trabajo, Weiqun Wang, estudiante doctoral del Departamento de Ingeniería Agrícola y Biológica de Penn State, destacó que la principal innovación consiste en reunir estas tres fuentes de información dentro de una arquitectura diseñada para reducir las necesidades computacionales.

Los experimentos se realizaron con champiñones blancos

Los investigadores eligieron champiñones blancos porque representan un producto agrícola de considerable importancia económica para Pensilvania.

Según los datos del Departamento de Agricultura de Estados Unidos citados por la universidad, este estado concentra aproximadamente el 74 % de la producción nacional de hongos del género Agaricus.

La información oficial también señala que las ventas estadounidenses de hongos disminuyeron un 16 % durante la última temporada analizada, hasta situarse en 922 millones de dólares.

En este contexto, el deterioro de la calidad representa una preocupación para los productores y para las empresas encargadas de la manipulación y comercialización.

Los experimentos se desarrollaron en instalaciones de investigación del Departamento de Ingeniería Agrícola y Biológica de Penn State.

El equipo aplicó diferentes tratamientos a los champiñones para provocar alteraciones físicas y fisiológicas que pudieran identificarse mediante las imágenes.

Los investigadores mantuvieron también muestras de control sin tratamiento, bajo condiciones ambientales equivalentes, para establecer comparaciones.

Tres tratamientos permitieron provocar distintos tipos de deterioro

El primer tratamiento consistió en someter los champiñones a un choque térmico mediante inmersión en agua a 140 grados Fahrenheit, equivalentes aproximadamente a 60 grados Celsius, durante 30 segundos.

Esta exposición buscaba reproducir un tipo de estrés térmico que puede afectar los tejidos durante determinadas operaciones de procesamiento.

El segundo tratamiento utilizó radiación de microondas durante 30 segundos para provocar alteraciones celulares localizadas.

El tercero consistió en producir daños mecánicos mediante perforaciones, abrasión e impactos, simulando diferentes formas de deterioro físico asociadas con la manipulación.

Estos procedimientos permitieron generar muestras con condiciones conocidas para entrenar y evaluar el modelo.

Es importante distinguir estos tratamientos experimentales de los problemas que pueden presentarse espontáneamente durante la producción comercial.

Los investigadores no demostraron todavía que PSUMamba pueda identificar con la misma precisión una infección fúngica, una deficiencia nutricional o una situación de sequía en cultivos de campo.

La evaluación publicada se concentró en alteraciones inducidas bajo condiciones controladas en champiñones.

El modelo alcanzó una precisión media del 94,47 %

Para evaluar PSUMamba, los investigadores utilizaron información procedente de 204 bandas espectrales obtenidas en ocho momentos de observación.

El sistema alcanzó una precisión media del 94,47 % al clasificar las condiciones estudiadas.

La sensibilidad registrada fue del 98,98 %, mientras que el área bajo la curva ROC alcanzó el 99,36 %.

Estas métricas describen diferentes aspectos del comportamiento del clasificador y no deben interpretarse como porcentajes equivalentes de detección de cualquier problema agrícola.

La precisión media expresa la proporción de clasificaciones correctas dentro de la evaluación realizada.

La sensibilidad refleja la capacidad de identificar los casos positivos definidos en el experimento, mientras que el área bajo la curva ROC mide la capacidad discriminatoria del modelo según los criterios utilizados.

Los resultados indican un desempeño elevado en las condiciones de laboratorio, aunque su interpretación debe mantenerse vinculada a las muestras y tratamientos empleados.

Esta distinción también resulta importante en otros proyectos de inteligencia artificial agrícola. Por ejemplo, WheatAI utiliza fotografías para evaluar características de plantas de trigo, pero sus aplicaciones y condiciones de validación son diferentes de las del modelo desarrollado en Pensilvania.

Diez veces menos operaciones que un modelo de referencia

Uno de los resultados más relevantes de la investigación fue la comparación de PSUMamba con una arquitectura denominada Vision Transformer.

Los modelos Vision Transformer adaptan principios de procesamiento utilizados en otras áreas de la inteligencia artificial para analizar imágenes y reconocer patrones.

En la comparación realizada por el equipo de Penn State, PSUMamba necesitó aproximadamente diez veces menos operaciones computacionales para procesar los datos y producir sus predicciones.

Esta diferencia puede resultar importante para el desarrollo de sistemas agrícolas que deban analizar imágenes repetidamente y ofrecer resultados con recursos informáticos limitados.

Sin embargo, una reducción en el número de operaciones no significa necesariamente que el sistema completo consuma diez veces menos electricidad o que funcione diez veces más rápido en cualquier dispositivo.

El consumo energético y el tiempo de ejecución también dependen del hardware, la memoria, la implementación del programa y las condiciones de funcionamiento.

La investigación demuestra una mejora en eficiencia computacional respecto al modelo utilizado como referencia, pero no establece todavía una reducción equivalente de los costos operativos de una explotación agrícola.

Combinar información temporal, espacial y espectral mejora la clasificación

Además de comparar el rendimiento general, los investigadores realizaron experimentos para determinar qué aportaba cada una de las tres vías de procesamiento.

Estas pruebas permitieron comprobar que las características espectrales, temporales y espaciales contienen información complementaria.

La combinación de las tres mejoró la capacidad del sistema para distinguir entre las diferentes categorías de alteraciones representadas en los datos experimentales.

Este resultado tiene interés porque muestra que una imagen aislada no siempre contiene toda la información necesaria para interpretar la evolución de un producto agrícola.

Observar cómo cambia una muestra durante un periodo determinado puede proporcionar datos adicionales sobre el desarrollo del deterioro.

La dimensión temporal también aparece en investigaciones sobre microsensores de grafeno que registran continuamente señales químicas relacionadas con el estrés vegetal.

Aunque ambos proyectos utilizan tecnologías diferentes, comparten el interés por analizar cambios que ocurren a lo largo del tiempo y no solamente el estado de una planta o producto en un momento concreto.

La tecnología podría aplicarse al seguimiento de otros cultivos

Los investigadores consideran que la arquitectura de PSUMamba podría adaptarse a problemas agrícolas diferentes de los examinados con champiñones.

Entre las aplicaciones potenciales mencionan la vigilancia del estrés por sequía, la detección de enfermedades, la evaluación de deficiencias nutricionales y el seguimiento de cambios en la calidad poscosecha.

Estas posibilidades se fundamentan en la capacidad de las imágenes hiperespectrales para registrar patrones relacionados con las propiedades de los tejidos vegetales.

Sin embargo, trasladar el modelo a otras especies requiere obtener nuevos conjuntos de datos y comprobar que los patrones utilizados para clasificar el deterioro de los champiñones también resultan útiles en situaciones diferentes.

Una planta sometida a déficit hídrico no necesariamente presenta las mismas respuestas espectrales que un champiñón expuesto a calor o daño mecánico.

También pueden influir la iluminación, la temperatura ambiental, las características de la superficie vegetal y la etapa de desarrollo.

Por ello, los investigadores no consideran que el sistema esté preparado para diagnosticar automáticamente cualquier forma de estrés agrícola.

El trabajo se suma a otras investigaciones sobre drones equipados con sensores ópticos y térmicos para anticipar alteraciones en los cultivos, aunque PSUMamba todavía no ha sido validado como parte de una plataforma aérea de monitoreo.

Los próximos ensayos deberán realizarse en condiciones agrícolas reales

La siguiente etapa anunciada por Penn State consiste en evaluar el modelo con una mayor diversidad de cultivos, productos y factores de estrés.

Los investigadores también quieren determinar si la arquitectura puede integrarse con sistemas de sensores instalados directamente en los campos, plataformas de vigilancia de invernaderos, equipos robóticos y tecnologías de imágenes aéreas.

Estas aplicaciones exigirán comprobar el funcionamiento del modelo fuera de las condiciones controladas utilizadas en el estudio.

En una explotación agrícola, las imágenes pueden verse afectadas por cambios de iluminación, sombras, movimientos de las plantas y variaciones en las características del terreno.

Además, los síntomas provocados por diferentes factores de estrés pueden superponerse y dificultar su clasificación.

Ghatrehsamani considera que la detección temprana y fiable podría ayudar a los productores a tomar mejores decisiones, reducir gastos innecesarios y disminuir el desperdicio.

Por ahora, estas ventajas constituyen objetivos potenciales y no resultados económicos demostrados mediante la utilización comercial de PSUMamba.

Una arquitectura de IA orientada a reducir las barreras computacionales

El estudio demuestra que es posible combinar información hiperespectral de distintas dimensiones y obtener una clasificación precisa del deterioro experimental de champiñones con una carga de operaciones considerablemente inferior a la de un modelo de referencia.

Para la agricultura de precisión, esta reducción resulta relevante porque las tecnologías de vigilancia generan cantidades crecientes de información que deben procesarse antes de convertirse en datos útiles para los productores.

El desarrollo de modelos menos exigentes podría facilitar su incorporación futura a sistemas de monitoreo que no dispongan de grandes centros de procesamiento.

No obstante, la investigación todavía no demuestra que PSUMamba pueda utilizarse directamente en una explotación comercial, ni que permita reducir pérdidas de cosecha o aumentar rendimientos.

La contribución comprobada se concentra en la arquitectura computacional, la clasificación de alteraciones inducidas en champiñones y la eficiencia relativa del procesamiento.

Los próximos experimentos permitirán establecer si esas ventajas se mantienen cuando el sistema examine cultivos en condiciones reales y deba distinguir entre factores de estrés más diversos.

Fuentes referenciales:
Scientific Reports — Triple-path bidirectional Mamba enables linear-complexity temporal hyperspectral plant stress classification, Weiqun Wang y colaboradores, 2026
Universidad Estatal de Pensilvania — Tested on mushrooms, an AI model shows potential for detecting crop stress with far fewer computations, 20 de noviembre de 2026