Tecnología

Una nueva IA detecta daños en hongos con menos recursos informáticos

Publicado el 21/11/2026
Comparte

Investigadores de la Universidad Estatal de Pensilvania desarrollaron PSUMamba, un modelo que combina imágenes hiperespectrales y análisis temporal. En ensayos con champiñones alcanzó un 94,47 % de precisión utilizando aproximadamente diez veces menos operaciones computacionales que un modelo de referencia.


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

Un equipo de investigadores de la Universidad Estatal de Pensilvania (Penn State), en Estados Unidos, desarrolló un modelo de inteligencia artificial capaz de identificar alteraciones en productos agrícolas mediante imágenes hiperespectrales, con una demanda de procesamiento considerablemente inferior a la de determinadas arquitecturas convencionales de aprendizaje profundo. La innovación, presentada públicamente el 20 de noviembre de 2026, fue evaluada experimentalmente utilizando champiñones blancos sometidos a diferentes condiciones de deterioro.

El sistema, denominado PSUMamba, alcanzó una precisión media de clasificación del 94,47 %, una sensibilidad del 98,98 % y un área bajo la curva ROC del 99,36 %. Los investigadores también comprobaron que necesitaba aproximadamente diez veces menos operaciones computacionales que el modelo Vision Transformer utilizado como referencia.

La investigación fue desarrollada por un equipo encabezado por Weiqun Wang, estudiante doctoral del Departamento de Ingeniería Agrícola y Biológica, bajo la dirección científica de Shirin Ghatrehsamani, profesora asistente de la misma especialidad.

Los resultados fueron publicados en la revista Scientific Reports, en un estudio titulado Triple-path bidirectional Mamba enables linear-complexity temporal hyperspectral plant stress classification.

La principal aportación consiste en una arquitectura que analiza simultáneamente información espectral, espacial y temporal para reconocer cambios en el estado de un producto agrícola sin depender exclusivamente de sus características visibles en una fotografía convencional.

Aunque el equipo plantea aplicaciones futuras en el monitoreo de cultivos, los resultados comunicados corresponden a experimentos controlados con champiñones y todavía no demuestran un desempeño equivalente en parcelas agrícolas comerciales.

El desafío de analizar grandes cantidades de información agrícola

La agricultura de precisión utiliza cámaras y sensores para obtener información sobre el estado de plantas, frutos y otros productos. Entre estas herramientas se encuentran las cámaras hiperespectrales, capaces de registrar la respuesta de los materiales a numerosas longitudes de onda.

A diferencia de una cámara convencional, que normalmente representa las imágenes mediante tres canales de color, un sistema hiperespectral puede recopilar información en decenas o centenares de bandas.

Esta capacidad permite estudiar diferencias que no siempre resultan evidentes a simple vista. Determinadas alteraciones fisiológicas o cambios en la composición de un producto pueden modificar su respuesta espectral antes de que aparezcan señales externas claramente reconocibles.

Sin embargo, la riqueza de información genera un problema técnico: los archivos son voluminosos y su procesamiento mediante inteligencia artificial puede exigir cantidades importantes de memoria, energía y capacidad de cálculo.

Cuando las imágenes se registran repetidamente para observar la evolución de una muestra, el volumen de datos aumenta todavía más.

El equipo de Penn State buscó resolver esta dificultad mediante una arquitectura capaz de aprovechar la información obtenida en distintos momentos sin recurrir a un procesamiento excesivamente costoso.

PSUMamba utiliza tres vías de análisis complementarias

El modelo desarrollado por los investigadores incorpora tres rutas de procesamiento especializadas.

La primera analiza la información espectral, que permite identificar variaciones relacionadas con las propiedades de los materiales observados.

La segunda examina la dimensión temporal. Su función consiste en estudiar cómo cambian las señales registradas durante una secuencia de observaciones.

La tercera ruta analiza la información espacial, incluyendo características y patrones presentes en las imágenes.

Los resultados de las tres vías se combinan para obtener una clasificación del estado de las muestras.

Esta organización permite que el modelo considere no solamente qué características presenta un producto en un momento determinado, sino también cómo evolucionan durante el período de observación.

La arquitectura pertenece a una línea de aprendizaje profundo conocida como Mamba, diseñada para procesar secuencias de información de manera eficiente.

En PSUMamba, los investigadores adaptaron ese enfoque para trabajar con datos hiperespectrales registrados a lo largo del tiempo.

La combinación de las tres dimensiones constituye una diferencia importante respecto de los sistemas que utilizan únicamente fotografías convencionales. Por ejemplo, WheatAI utiliza inteligencia artificial para extraer características de plantas de trigo a partir de imágenes, mientras que PSUMamba se concentra en interpretar simultáneamente señales espectrales y su evolución temporal.

Los investigadores eligieron champiñones blancos para las pruebas

El equipo utilizó champiñones blancos de la especie Agaricus bisporus, un producto de importancia económica para Pensilvania.

La elección permitió estudiar un material agrícola cuya calidad puede deteriorarse durante la manipulación y las operaciones posteriores a la cosecha.

Según los datos citados por los investigadores, Pensilvania concentra aproximadamente el 74 % de la producción estadounidense de champiñones del grupo Agaricus.

Además, las ventas nacionales de champiñones descendieron un 16 % durante la última campaña considerada por el Departamento de Agricultura de Estados Unidos, hasta situarse en aproximadamente 922 millones de dólares.

Este contexto explica el interés por desarrollar herramientas que ayuden a reconocer alteraciones de calidad y estudiar su evolución.

Sin embargo, la investigación no evaluó pérdidas económicas evitadas mediante PSUMamba ni calculó un beneficio comercial para los productores.

El propósito experimental fue comprobar si el modelo podía distinguir diferentes condiciones de deterioro a partir de información hiperespectral.

Tres tratamientos permitieron simular diferentes tipos de daño

Los investigadores sometieron los champiñones a tres tratamientos controlados destinados a producir alteraciones físicas y fisiológicas.

El primero consistió en un choque térmico mediante inmersión en agua a aproximadamente 60 grados Celsius durante 30 segundos. El objetivo fue representar una exposición intensa al calor durante operaciones de procesamiento.

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

El tercero consistió en daños mecánicos producidos mediante perforaciones, abrasión e impactos, con la finalidad de reproducir situaciones relacionadas con la manipulación física del producto.

El equipo mantuvo también muestras de control que no recibieron esos tratamientos.

Todos los grupos fueron observados bajo condiciones experimentales controladas.

Estos procedimientos permitieron generar diferentes estados de deterioro y comprobar si el sistema podía distinguirlos mediante las señales captadas por la cámara.

Es importante precisar que los investigadores no demostraron con este experimento la detección directa de enfermedades infecciosas en champiñones comerciales. Los tratamientos fueron utilizados para producir condiciones de estrés y deterioro representativas de determinados problemas de calidad.

El sistema analizó 204 bandas espectrales en ocho momentos

Para evaluar el modelo, los científicos recopilaron imágenes hiperespectrales de las muestras durante ocho momentos de observación.

Cada registro incluyó información correspondiente a 204 bandas espectrales.

La combinación de numerosas longitudes de onda y observaciones sucesivas proporcionó al sistema información sobre las características de los champiñones y sus cambios a lo largo del experimento.

Este diseño permitió evaluar si las tres rutas de procesamiento aportaban información complementaria.

Los investigadores realizaron pruebas específicas para determinar la contribución de los componentes espectral, temporal y espacial.

Los resultados indicaron que la combinación de las tres vías mejoraba la capacidad del modelo para distinguir las categorías de alteración utilizadas en el estudio.

La dimensión temporal resultó especialmente relevante para el planteamiento de la investigación, porque el deterioro de un producto no constituye necesariamente un fenómeno instantáneo.

Registrar una secuencia permite estudiar cambios progresivos que podrían pasar inadvertidos cuando se analiza una sola imagen.

La precisión media alcanzó el 94,47 %

Los resultados experimentales mostraron una precisión media de clasificación del 94,47 %.

El modelo también obtuvo una sensibilidad del 98,98 % y un área bajo la curva ROC del 99,36 %.

Estas métricas describen aspectos diferentes del funcionamiento del sistema y no deben interpretarse como valores intercambiables.

La precisión media indica el porcentaje de clasificaciones correctas bajo el procedimiento de evaluación utilizado.

La sensibilidad refleja la capacidad del modelo para reconocer las muestras pertenecientes a la condición positiva definida en el análisis.

El área bajo la curva ROC mide la capacidad discriminativa del clasificador a través de diferentes umbrales de decisión.

Los resultados muestran que PSUMamba consiguió identificar con un alto nivel de desempeño las condiciones incluidas en el experimento.

Sin embargo, las cifras no significan que el sistema pueda diagnosticar cualquier enfermedad agrícola con una precisión del 94,47 %.

Su validez corresponde al conjunto de datos y a las condiciones de evaluación utilizadas por los investigadores.

Diez veces menos operaciones que un Vision Transformer

Uno de los resultados tecnológicos más importantes apareció al comparar la carga computacional de PSUMamba con la de un modelo Vision Transformer.

Los investigadores encontraron que su arquitectura necesitaba aproximadamente una décima parte de las operaciones computacionales utilizadas por ese modelo de referencia para procesar los datos y producir predicciones.

La diferencia resulta relevante porque los sistemas agrícolas de monitoreo pueden necesitar procesar información continuamente y, en determinadas aplicaciones, operar con equipos de capacidad limitada.

Reducir el número de operaciones puede facilitar el desarrollo de soluciones que requieran menos recursos informáticos.

No obstante, una reducción de operaciones no equivale automáticamente a una disminución idéntica del consumo eléctrico, del tiempo de ejecución o del costo económico.

Esos resultados dependen también del procesador utilizado, la implementación del software, la memoria disponible y las características del equipo.

El estudio demuestra una ventaja computacional frente a la arquitectura comparada, pero todavía no establece el rendimiento operativo de PSUMamba en todos los dispositivos que podrían utilizarse en agricultura.

La información hiperespectral puede complementar otras tecnologías

La detección automatizada de alteraciones agrícolas se está desarrollando mediante diferentes combinaciones de sensores, cámaras y algoritmos.

En cultivos de soja, por ejemplo, un robot experimental utiliza cámaras para recopilar información destinada a detectar enfermedades en regiones de las plantas que resultan difíciles de observar desde el aire.

En ese proyecto, el desafío consiste en obtener imágenes desde posiciones adecuadas y desarrollar posteriormente los modelos necesarios para reconocer problemas fitosanitarios.

PSUMamba aborda una dificultad diferente: interpretar grandes cantidades de información hiperespectral y temporal con menor carga computacional.

Ambos enfoques podrían considerarse complementarios desde una perspectiva tecnológica, aunque no se ha demostrado que puedan integrarse directamente sin adaptaciones.

Las cámaras hiperespectrales requieren procedimientos específicos de adquisición, calibración y procesamiento de datos.

La calidad de las mediciones también puede verse afectada por las condiciones de iluminación y por las características de la superficie observada.

Por esa razón, trasladar un sistema desarrollado en laboratorio hacia aplicaciones exteriores exige comprobar su comportamiento bajo condiciones ambientales variables.

El modelo podría adaptarse a otros productos y cultivos

Los investigadores consideran que la arquitectura desarrollada puede ofrecer aplicaciones más amplias que la evaluación de champiñones.

Entre los problemas que pretenden estudiar figuran las respuestas de los cultivos a la sequía, las deficiencias nutricionales, las enfermedades y otras condiciones de estrés.

La posibilidad de aprovechar información espectral y temporal resulta interesante porque numerosos procesos biológicos producen cambios graduales antes de que aparezcan síntomas evidentes.

Sin embargo, el desempeño del modelo en otros cultivos todavía necesita demostrarse experimentalmente.

Los champiñones presentan propiedades físicas y biológicas diferentes de las hojas de un árbol frutal, las espigas de un cereal o los frutos de una planta hortícola.

Además, las alteraciones provocadas artificialmente durante un experimento pueden producir señales distintas de las que aparecen durante una infección natural o un episodio de estrés hídrico.

Por ello, no sería correcto extrapolar directamente las métricas obtenidas con champiñones a cultivos comerciales.

La adaptación requerirá nuevos conjuntos de datos, procedimientos de validación y pruebas con diferentes condiciones ambientales.

La inteligencia artificial necesita validación fuera del laboratorio

Una de las principales dificultades para aplicar modelos de inteligencia artificial en agricultura es mantener un desempeño confiable cuando cambian las condiciones de observación.

La iluminación, la humedad, la posición de las muestras y las diferencias entre variedades o especies pueden modificar las imágenes registradas.

También es necesario determinar si el modelo reconoce señales relacionadas directamente con el problema estudiado o características particulares del conjunto de datos utilizado para entrenarlo.

Estas dificultades se observan en otros sistemas de visión artificial. Una investigación sobre inteligencia artificial aplicada al reconocimiento de plagas del aguacate evaluó modelos mediante imágenes obtenidas en diferentes condiciones, mostrando la importancia de comprobar el desempeño fuera de escenarios estrictamente controlados.

En el caso de PSUMamba, los autores plantean ampliar las pruebas hacia condiciones agrícolas reales y diferentes factores de estrés.

También pretenden estudiar la integración del sistema con plataformas de monitoreo de invernaderos, equipos robóticos y tecnologías de observación aérea.

Estas aplicaciones representan objetivos de investigación y no capacidades comerciales ya validadas.

Una posible herramienta para vigilar la calidad poscosecha

El experimento con champiñones permite identificar una aplicación especialmente relacionada con los resultados disponibles: el seguimiento de alteraciones de calidad después de la cosecha.

Los productos agrícolas pueden sufrir daños durante la manipulación, el transporte y el almacenamiento.

En determinadas circunstancias, esas alteraciones comienzan antes de que los cambios sean claramente reconocibles mediante una inspección visual convencional.

Un sistema capaz de analizar información hiperespectral durante diferentes momentos podría contribuir a estudiar la evolución del deterioro y mejorar los procedimientos de clasificación.

Sin embargo, el estudio no demuestra todavía que PSUMamba pueda incorporarse directamente a una línea industrial de selección de champiñones.

Para ello sería necesario evaluar la velocidad de adquisición de imágenes, el funcionamiento con grandes volúmenes de producto, la diversidad de condiciones comerciales y los costos del equipo.

También deberían realizarse comparaciones con métodos de referencia que permitan determinar si las señales reconocidas por el modelo corresponden a cambios relevantes para la calidad comercial o la seguridad del producto.

La ventaja potencial reside en obtener información adicional sin destruir las muestras durante la observación.

Penn State busca trasladar el modelo a condiciones agrícolas reales

El equipo de Penn State considera que la reducción de la carga computacional puede facilitar la utilización futura de modelos avanzados de análisis agrícola.

La siguiente etapa consistirá en evaluar PSUMamba con otros productos y factores de estrés, además de estudiar su integración en sistemas de monitoreo utilizados fuera del laboratorio.

Los investigadores también están interesados en comprobar su funcionamiento junto con sensores de campo, plataformas de invernadero y equipos de observación automatizados.

El desarrollo publicado en Scientific Reports aporta un resultado concreto: una arquitectura de inteligencia artificial de tres vías consiguió clasificar diferentes condiciones de deterioro en champiñones con una precisión media del 94,47 % y una carga de operaciones aproximadamente diez veces menor que la del Vision Transformer empleado en la comparación.

El avance no constituye todavía un diagnóstico agrícola universal ni una herramienta comercial disponible para productores.

Su importancia tecnológica está en demostrar que el análisis conjunto de información espectral, espacial y temporal puede realizarse mediante modelos computacionalmente más eficientes, una característica que podría resultar decisiva para trasladar la observación hiperespectral desde los laboratorios hacia aplicaciones agrícolas prácticas.

Fuentes referenciales:
Scientific Reports — Triple-path bidirectional Mamba enables linear-complexity temporal hyperspectral plant stress classification (2026)
Universidad Estatal de Pensilvania — Presentación de PSUMamba y resultados experimentales, 20 de noviembre de 2026