Related Articles
El pasado 23 y 24 de septiembre se llevó a cabo la Indonesia Science Expo, donde se llevaron a cabo varias exhibiciones y conferencias científicas, una de las conferencias fue la International Conference on Computer, Control, Informatics and its Applications (IC3INA 2019), la cual se viene realizando desde hace 7 años conjuntamente con el Centro de Investigación en Informática y Instituto de Ciencias de Indonesia (LIPI). Este tipo de conferencias científicas tienen como objetivo reunir investigadores, académicos, ingenieros, académicos y profesionales para presentar innovaciones y desarrollos recientes, e intercambiar ideas y progresos en las tecnologías.
Una de los ponentes vino de Perú, el Sr. Carlos Mamani Diaz, cuyo tema expuesto fue: “Aprendizaje Profundo para la clasificación de plantas en la agricultura de precisión”.Como su nombre lo indica es un clasificador de plantas que mediante el uso de redes neuronales logra identificar 12 tipos distintos de plantas, en los proximos parrafos veremos las posibles aplicaciones de este clasificador. Aun que no pudo venir a Yakarta el día, el comité decidió de aplicar la conferencia a distancia usando vide conferencia.
Para entender el entrenamiento o aprendizaje de una red neuronal usaremos la siguiente analogía, la red neuronal es como un bebé, al cual le vas enseñar su primera palabra, el bebé aprende a partir una persona (madre) le enseña y repita una palabra, hasta que el bebé logra decirla por sí mismo, como resultado puede que el bebé diga la palabra 100% bien o un 80 % o tal vez diga algo complementamente distinto a lo enseñado; entonces el aprendizaje de una red neuronal es igual, el investigador (madre) le enseña a la red neuronal (bebe) una serie de imágenes etiquetadas según su clase de planta, de esta forma la red neuronal al finalizar el entrenamiento o aprendizaje sabrá que cuales son las características que definen a cada clase de planta y podrá diferenciarlas, pero al igual que con el bebé, una red neuronal también puede tener errores, puede que detecte la clase 1 con un 100% de certeza, con la clase 2 tenga un 80% de certeza, o con la clase 3 se confunda y no sepa cómo identificarla, de tal manera que la clase 3 deberá ser entrenada otra vez hasta que la red neuronal logre aprender sus características fundamentales.
El investigador nos cuenta que la base de imágenes que utilizo consta 12 clases de plantas, las cuales son parte esencial de la agricultura de Dinamarca. Toda esta base de imágenes como se mencionó en el párrafo anterior se introducen en la red neuronal y aprende sus características, de todo el aprendizaje se obtuvo un resultado de 86% de certeza promedio. Este porcentaje de certeza responde a los factores siguientes: La calidad de las imágenes, la cantidad de imágenes por clase y al procesador gráfico de la computador; en este último factor el investigador presentó una tabla comparativa donde demostró que el uso de un procesador gráfico de gama baja dio como resultado un 79% de certeza, cabe mencionar que el 86% de certeza se obtuvo con un procesador gráfico de gama media, de este forma el autor propone la hipótesis que con un procesador gráfico de gama alta se obtendrá resultados de certeza mucho mejores.
También se expuso las posibles aplicaciones de esa investigación en lo que se denomina agricultura de precisión, para seguir debemos entender que la red neuronal entrenada, es el cerebro del sistema de clasificación, que una vez entrenada es posible acoplarse a distintas plataformas, una de ellas es el uso de nuestros teléfonos móviles como herramientas, donde una agricultor o un persona con un jardín en casa podrá tomar una foto a su planta y subirla una aplicación móvil, esta imagen llega una nube virtual donde estará en el cerebro del sistema, esta lo identificara, vera que tipo de planta es y si esta se encuentra en buen estado, de no encontrarse anomalías en la planta se dará como respuesta al cliente una recomendación de cuidados.
Otra aplicación es conectar el cerebro del sistema a un robot tractor, el cual tiene uso en terrenos agrícolas de gran tamaño, donde el robot mediante una cámara instalada podrá saber qué clase de planta se encuentra frente suyo, de tal manera que podrá suministrar el agua y pesticida requerido para cada clase de planta, esto generará un optimizacion de recursos, un menor desgaste del agua, y una mejor cosecha que se transformara en beneficio económico para el agricultor.
Como podemos ver este tipo de tecnologías son las que predominarán en el futuro de la agricultura, donde no solo cuidara y beneficiaría la economía del agricultura, sino también beneficia al planeta evitando que la tierra de siembra sea sobreexplotado y que el recurso tan preciado del agua sea usado en desmedida. Se espera que las personas tomen conciencia de la importancia de los recursos que nos da el planeta y mientras tanto se van realizando investigaciones como esta que buscan un impacto positivo para que las generaciones futuras no se vean afectadas y puedan gozar de agua y alimentos sin contaminantes.
