
Detectar enfermedades de las plantas con IA: el agente AgriAI
El agente Fitosanitario de AgriAI analiza fotos y clima para detectar pronto estrés, carencias, enfermedades e insectos, y te propone la intervención.
Agente fitosanitario
Ve los problemas antes de que se conviertan en daños.
Qué hace
- Analiza las fotos de cámaras fijas o del móvil
- Reconoce los primeros signos de estrés, carencias y enfermedades
- Cuenta los insectos en las trampas fotografiadas
- Estima el riesgo de enfermedad a partir del clima
- Propone la intervención y la registra tras tu visto bueno
- Avisa a ti o a tu agrónomo con fotos y datos adjuntos
Cómo trabaja, paso a paso

Cámaras fijas, trampas y fotos del móvil recogen las imágenes 
Un modelo de visión artificial busca signos de estrés, carencias y enfermedades 
El agente cruza las imágenes con el clima para estimar el riesgo 
Te avisa con fotos y propuesta: el tratamiento solo empieza con tu visto bueno
Análisis agronómico
La ciencia detrás del agente
En la protección de cultivos el tiempo lo es todo: la misma enfermedad que hoy afecta a tres plantas puede afectar a un sector entero en diez días. El objetivo no es tratar más, sino ver antes e intervenir solo donde hace falta, que es el núcleo del control integrado.
El clima decide el riesgo
Muchas enfermedades fúngicas necesitan condiciones precisas para desarrollarse. El moho gris (Botrytis) se ve favorecido por una humedad muy alta y hojas mojadas, típicas de noches frescas con condensación; el oídio del pimiento, en cambio, aprovecha condiciones más secas y fuertes oscilaciones. Conocer estas reglas permite estimar el riesgo antes de ver los síntomas.
Insectos: contar para decidir
Para trips, pulgones y moscas blancas, las plagas más comunes del pimiento en invernadero, se usan trampas cromotrópicas: las amarillas y las azules capturan adultos y su recuento semanal muestra si la población crece. Es también la base para decidir cuándo introducir insectos útiles, los depredadores y parasitoides del control biológico.
Qué puede hacer la visión artificial y qué no
Un modelo de visión reconoce bien síntomas visibles y repetitivos, como manchas, amarilleos o insectos en una trampa, y sobre todo no se cansa de mirar. No sustituye al diagnóstico: síntomas distintos pueden parecerse, y carencias nutritivas, estrés hídrico y virosis a veces se confunden. Por eso el agente avisa con fotos, probabilidad y datos climáticos, y la decisión sobre el tratamiento es del agrónomo.
Control integrado y biológico en la práctica
El control integrado sigue un orden preciso: prevención (variedades, higiene, mallas antiinsectos, clima correcto), seguimiento, umbrales de intervención y solo al final los productos químicos, elegidos entre los autorizados y respetando los plazos de seguridad antes de la cosecha.
En el pimiento de invernadero el control biológico está muy extendido: insectos depredadores como Orius y ácaros como Amblyseius swirskii contra trips y moscas blancas, parasitoides como Aphidius contra los pulgones. Funciona si los auxiliares se introducen pronto, cuando las plagas aún son pocas: por eso es tan importante el recuento en trampas.
Virus e insectos vectores
Los virus no se curan: se previenen. En el pimiento uno de los más temidos es el virus del bronceado del tomate (TSWV), transmitido por los trips. Contra los virus la única estrategia es controlar los vectores, usar variedades tolerantes donde existan y eliminar enseguida las plantas afectadas. Por eso el agente trata un aumento de trips como una alarma aunque las plantas parezcan sanas.
Cómo entrenamos y verificamos el modelo
Un modelo de visión vale lo que las imágenes con las que se entrenó. Por eso lo verificamos con fotos tomadas en el Farm Tech y clasificadas por agrónomos, y medimos dos cosas distintas: cuántos problemas reales encuentra y cuántas falsas alarmas da. Un modelo que nunca da una falsa alarma pero pierde la mitad de los problemas no sirve, y tampoco uno que salta con cada hoja con polvo.
Registro de tratamientos y normas
En Italia quien usa productos fitosanitarios debe llevar el registro de tratamientos, el llamado cuaderno de campo, y el control integrado es la referencia del Plan de acción nacional sobre el uso sostenible de los productos fitosanitarios. El agente rellena el registro con fecha, sector, producto y motivo, para que el dato sirva tanto para los controles como para aprender de una temporada a otra.
Cómo trabaja con los otros agentes
Del agente Clima recibe humedad y humectación foliar, la base del cálculo del riesgo. Al agente Fertirrigación le señala los síntomas que pueden venir de las raíces o de carencias nutritivas. Al agente Previsión le comunica las pérdidas esperadas, para que la estimación de cosecha tenga en cuenta las plantas afectadas.
Los parámetros que importan
| Parámetro | Referencia | Por qué importa |
|---|---|---|
| Humectación foliar | Horas con hojas mojadas o humedad cercana a la saturación | Es el factor clave para el moho gris y muchas otras enfermedades fúngicas |
| Capturas en trampas | Recuento semanal por trampa y por sector | Muestra si la población de insectos crece y dónde |
| Imágenes de las plantas | Fotos repetidas en los mismos puntos, con luz similar | Permiten comparar la misma planta a lo largo del tiempo |
| Temperatura y humedad nocturnas | Se vigila el riesgo de condensación en las hojas | Las noches deciden a menudo el inicio de las infecciones |
Valores de referencia de la literatura agronómica para hortícolas de invernadero sin suelo: siempre hay que calibrarlos según cultivo, variedad, fase y clima local.
Los sensores que usa
Qué mide cada uno, dónde se instala y el detalle que marca la diferencia. «Base» es necesario para empezar, «Extra» añade precisión. Ver la lista completa de todos los agentes
- Análisis de laboratorio de agua y drenajeBaseLos elementos uno a uno (nitratos, potasio, calcio, magnesio, sodio, cloruros…) que la EC no distingueMuestras enviadas a un laboratorio cada pocas semanasNo es un sensor, pero sin análisis la EC dice cuánta sal hay, no cuál.
- Temperatura y humedad del aire (caja ventilada)BaseTemperatura y humedad relativa; de ellas se calculan el VPD y el punto de rocíoA la altura de la vegetación, en una caja protegida y ventilada, al menos una por compartimentoSin protección y ventilación el sol falsea la lectura incluso varios grados.
- Estación meteorológicaBaseTemperatura, humedad, radiación solar, viento y lluvia fuera del invernaderoEncima o al lado del invernadero, lejos de obstáculosViento y lluvia sirven también para la seguridad: cerrar ventanas antes de la tormenta.
- Previsión meteorológicaBaseTemperatura, radiación y lluvia esperadas en los próximos díasServicio de datos en línea: no hay que instalar nadaPermiten anticiparse en lugar de perseguir, por ejemplo calentar menos antes de un día de sol.
- Cámaras fijas o sobre carroBaseImágenes de las plantas para reconocer síntomas y contar flores y frutosEn un carro que corre sobre los tubos de calefacción, o en puntos fijosLas imágenes tomadas siempre desde el mismo punto y a la misma hora son las más comparables.
- Trampas cromotrópicas con cámaraBaseInsectos capturados cada día: trips, moscas blancas, pulgones alados y otrosEntre las filas, a la altura de las puntas de las plantasEl conteo diario muestra cuándo una población empieza a crecer, antes de los daños.
- Fotos y notas de campo (smartphone)BaseObservaciones de quien trabaja en el invernadero: síntomas, conteo de frutos, fases del cultivoDesde la app AgriAI, durante la ronda por el invernaderoEl ojo de quien trabaja en el invernadero sigue siendo el sensor más valioso: la app lo convierte en dato.
- Termómetro infrarrojo de hojaExtraTemperatura de las hojas, sin contactoApuntado a la copa, desde arriba o de ladoHojas más calientes que el aire indican plantas que transpiran poco: posible estrés hídrico.
- Sensor de humectación foliarExtraSi las hojas están mojadas y durante cuántas horasEn la copa, donde primero se forma la condensaciónLas horas de humectación están entre los principales indicadores de riesgo de botritis y otros hongos.
- Imágenes de satélite (Sentinel-2)ExtraÍndices de vegetación como el NDVI, útiles sobre todo en campo abiertoDatos gratuitos del programa europeo Copernicus, actualizados cada pocos días con cielo despejadoNo ven dentro del invernadero; en campo abierto muestran dónde crece menos el cultivo.
- Cámara multiespectral o térmicaExtraLuz reflejada más allá del visible y calor de la copa, para ver el estrés antes de los síntomasEn carro, en punto fijo o, en campo abierto, en dronCuesta más: la añadimos solo donde una cámara normal no basta.
Los errores más comunes
- Tratar por calendario en lugar de por riesgo real
- Darse cuenta del problema cuando ya se ve de lejos
- Fiarse del diagnóstico automático sin la confirmación de un técnico
- No registrar lo que se ha hecho: sin historial no se aprende de una temporada a otra
La protección moderna es vigilancia continua más criterio experto. El agente garantiza la vigilancia, día y noche; el criterio queda en manos de quien conoce el cultivo.
Estudios y fuentes
La investigación científica y la prensa del sector de las que partimos. Los enlaces llevan a las fuentes originales.
Investigación científica
- An advanced deep learning models-based plant disease detection: A review of recent researchFrontiers in Plant Science · 2023Revisión de estudios 2015–2022 de aprendizaje automático para enfermedades de las plantas, con límites de datos y calidad de imagen.
- Leveraging deep learning for plant disease and pest detection: a comprehensive review and future directionsFrontiers in Plant Science · 2025Amplía el análisis a las plagas y a soluciones para la escasez de datos, como el aumento de datos y el transfer learning.
- Exploring the potential of phytoseiids species and the minute pirate bug Orius laevigatus to control Thrips parvispinus in sweet pepperIOBC-WPRSÁcaros depredadores y Orius laevigatus contra un trips emergente en pimiento de invernadero.
- Pests of greenhouse sweet bell peppers and their biological controlGovernment of Alberta (Canada)Guía técnica sobre plagas del pimiento de invernadero, los trips como vectores del TSWV y los auxiliares.
Preguntas frecuentes
25 preguntas, dos respuestas cada una: la del agrónomo y la del desarrollador. Cuando citamos a un autor, el enlace lleva a la obra original.
¿Cómo reconoce una enfermedad por una foto?
Responde el agrónomo
Reconoce los síntomas: manchas, mohos, amarilleos, deformaciones. Pero el mismo síntoma puede tener causas distintas, y a veces solo un análisis de laboratorio da el diagnóstico seguro.
George N. Agrios, Plant Pathology, Elsevier, 5th ed., 2005Responde el desarrollador
Usa redes neuronales convolucionales, la familia de modelos que hizo famosa Yann LeCun, entrenadas con miles de imágenes etiquetadas por técnicos. El modelo devuelve una probabilidad, no una sentencia.
Yann LeCun, Léon Bottou, Yoshua Bengio, Patrick Haffner, Gradient-based learning applied to document recognition, Proceedings of the IEEE, 1998¿Qué fiabilidad tiene el reconocimiento?
Responde el agrónomo
El estudio de Mohanty, Hughes y Salathé de 2016 es una advertencia: modelos casi perfectos con imágenes de laboratorio perdían mucha precisión con fotos tomadas en otras condiciones. En invernadero la luz, el fondo y los ángulos cambian siempre.
Sharada P. Mohanty, David P. Hughes, Marcel Salathé, Using Deep Learning for Image-Based Plant Disease Detection, Frontiers in Plant Science, 2016Responde el desarrollador
Por eso medimos la fiabilidad con imágenes del invernadero piloto, no con archivos públicos, y comprobamos que la probabilidad que declara el modelo coincide con la real: es la calibración estudiada por Guo y sus colegas.
Chuan Guo, Geoff Pleiss, Yu Sun, Kilian Q. Weinberger, On Calibration of Modern Neural Networks, ICML, 2017¿Qué es el triángulo de la enfermedad?
Responde el agrónomo
Es un principio clásico de la patología vegetal: una enfermedad solo se desarrolla si coinciden una planta sensible, un patógeno y un ambiente favorable. Quitando uno de los tres lados, la enfermedad no arranca.
George N. Agrios, Plant Pathology, Elsevier, 5th ed., 2005Responde el desarrollador
El agente razona justo así: variedad y fase para la planta, imágenes y trampas para el patógeno, clima para el ambiente. El riesgo es el resultado de los tres datos juntos, no de uno solo.
¿Por qué cruza imágenes y clima?
Responde el agrónomo
Porque el clima dice lo que está por pasar, las imágenes lo que ya ha pasado. Horas de hoja mojada y humedad alta preceden en días a los síntomas visibles.
Hamlyn G. Jones, Plants and Microclimate, Cambridge University Press, 2013Responde el desarrollador
Es un modelo multimodal: une datos de distinta naturaleza, imágenes y series temporales, en una sola estimación. Las bases teóricas están en el manual de Goodfellow, Bengio y Courville.
Ian Goodfellow, Yoshua Bengio, Aaron Courville, Deep Learning, MIT Press, 2016¿Sustituye al agrónomo?
Responde el agrónomo
No. El diagnóstico y la elección de la defensa siguen siendo del agrónomo. El agente le ahorra tiempo de inspección y le indica dónde mirar primero.
Responde el desarrollador
Técnicamente es una herramienta de triaje: ordena las zonas por probabilidad de problema. Es el papel en que el aprendizaje automático rinde más y se equivoca con menos daño.
Cynthia Rudin, Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead, Nature Machine Intelligence, 2019¿Qué es la gestión integrada de plagas?
Responde el agrónomo
El concepto nace en 1959 con Stern, Smith, van den Bosch y Hagen: usar juntos el control biológico, las prácticas de cultivo y, solo si hace falta, productos químicos. En Europa hoy es una obligación legal.
Vernon M. Stern, Ray F. Smith, Robert van den Bosch, Kenneth S. Hagen, The integrated control concept, Hilgardia, 1959Responde el desarrollador
El agente hace medible la gestión integrada: umbrales de intervención configurables por sector, histórico de capturas y registro de cada tratamiento, para ver si las decisiones funcionaron.
¿Qué es el umbral de intervención?
Responde el agrónomo
Es la densidad de plagas a partir de la cual conviene intervenir, porque el daño esperado supera el coste del tratamiento. Por debajo se observa y se deja trabajar a los insectos útiles.
Vernon M. Stern, Ray F. Smith, Robert van den Bosch, Kenneth S. Hagen, The integrated control concept, Hilgardia, 1959Responde el desarrollador
El agente no espera a que se supere: por la tendencia de capturas estima cuándo se alcanzará el umbral y te avisa antes. Es una previsión sobre serie temporal, con métodos estándar.
Rob J. Hyndman, George Athanasopoulos, Forecasting: Principles and Practice, OTexts, 3rd ed., 2021¿Cómo ayuda al control biológico?
Responde el agrónomo
En pimiento se usan depredadores como Orius laevigatus y ácaros como Amblyseius swirskii contra trips y moscas blancas. Los estudios de la IOBC muestran que funcionan también contra especies nuevas, si se introducen en el momento justo.
IOBC-WPRS, Orius laevigatus and phytoseiid mites to control Thrips parvispinus in sweet pepper, IOBC-WPRSResponde el desarrollador
El agente registra sueltas y observaciones y calcula en el tiempo la relación entre depredadores y presas. Cuando la relación baja, propone una nueva suelta antes de que las plagas tomen ventaja.
¿Cómo funcionan las trampas con cámara?
Responde el agrónomo
Son trampas cromotrópicas, amarillas o azules: el azul atrae sobre todo a los trips, el amarillo a moscas blancas y pulgones alados. Contarlas a mano lleva horas cada semana.
Responde el desarrollador
Una cámara toma una foto cada día y un modelo de detección de objetos, de la familia de YOLO, localiza y cuenta los insectos. Los nuevos se distinguen de los ya contados comparando con las fotos de días anteriores.
Joseph Redmon, Santosh Divvala, Ross Girshick, Ali Farhadi, You Only Look Once: Unified, Real-Time Object Detection, CVPR, 2016Trips y virus TSWV: ¿por qué se temen tanto?
Responde el agrónomo
Los trips transmiten el virus del bronceado del tomate (TSWV), que afecta también al pimiento. Contra los virus no hay cura: solo se puede prevenir controlando el vector.
Government of Alberta, Pests of greenhouse sweet bell peppers and their biological control, Alberta.caResponde el desarrollador
Por eso el agente da prioridad a los trips: un aumento de capturas genera un aviso incluso por debajo del umbral normal, y las plantas con síntomas sospechosos se señalan con fotos para verificar.
Botritis y oídio: ¿cómo los distingue?
Responde el agrónomo
La botritis prefiere humedad alta y hojas mojadas; el oídio del pimiento puede desarrollarse con humedad más baja y ataca desde dentro de la hoja. Condiciones distintas, prevención distinta.
George N. Agrios, Plant Pathology, Elsevier, 5th ed., 2005Responde el desarrollador
El agente usa un modelo de riesgo distinto para cada enfermedad, con sus condiciones climáticas. Un único índice de riesgo genérico ocultaría justo las diferencias que importan.
¿Cuántas imágenes hacen falta para entrenar el modelo?
Responde el agrónomo
Hacen falta imágenes de todas las fases de la enfermedad, en varias variedades y temporadas: un síntoma inicial es muy distinto de uno avanzado.
Responde el desarrollador
Normalmente miles por clase. Con el transfer learning se parte de un modelo ya entrenado con millones de imágenes genéricas y se especializa, reduciendo mucho los datos necesarios. La revisión de Kamilaris y Prenafeta-Boldú lo documenta en agricultura.
Andreas Kamilaris, Francesc X. Prenafeta-Boldú, Deep learning in agriculture: A survey, Computers and Electronics in Agriculture, 2018¿Quién etiqueta las imágenes?
Responde el agrónomo
Técnicos y agrónomos expertos. Una etiqueta errónea enseña el error al modelo: la calidad del experto importa tanto como la cantidad de imágenes.
Responde el desarrollador
Las imágenes dudosas las etiquetan dos personas de forma independiente y se mide cuánto coinciden. Donde no coinciden, decide una tercera: el dato limpio vale más que un modelo más grande.
D. Sculley et al. (Google), Hidden Technical Debt in Machine Learning Systems, NeurIPS, 2015¿Cómo evita las falsas alarmas?
Responde el agrónomo
Demasiadas falsas alarmas son tan peligrosas como ninguna: tras una semana de avisos inútiles, quien trabaja en el invernadero deja de leerlos.
Responde el desarrollador
El umbral de aviso se ajusta al equilibrio justo entre problemas encontrados y falsas alarmas, medido con datos reales del invernadero. Un modelo bien calibrado permite elegir ese equilibrio con conocimiento.
Chuan Guo, Geoff Pleiss, Yu Sun, Kilian Q. Weinberger, On Calibration of Modern Neural Networks, ICML, 2017¿Reconoce también las carencias nutricionales?
Responde el agrónomo
Las carencias pueden parecerse a enfermedades: un amarilleo puede ser hierro, magnesio o un virus. Hace falta confirmarlo con el análisis de la solución o de la hoja.
Cees Sonneveld, Wim Voogt, Plant Nutrition of Greenhouse Crops, Springer, 2009Responde el desarrollador
Aquí los agentes colaboran: si el agente fitosanitario ve un amarilleo y el de Fertirrigación registra un pH alto, la causa más probable es una carencia, no una enfermedad.
¿Usáis cámaras multiespectrales?
Responde el agrónomo
Ven el estrés antes de los síntomas visibles, porque miden luz que el ojo humano no ve y la temperatura de las hojas. Son valiosas, pero cuestan.
Hamlyn G. Jones, Plants and Microclimate, Cambridge University Press, 2013Responde el desarrollador
Las añadimos solo donde una cámara normal no basta. Primero se mide cuánto mejoran realmente los diagnósticos en el invernadero piloto, luego se decide si el coste compensa.
¿El agente hace tratamientos solo?
Responde el agrónomo
No, nunca. Los fitosanitarios están regulados: requieren carné, respeto de las etiquetas, de los plazos de seguridad y del plan de acción nacional.
Responde el desarrollador
Es una decisión de diseño: la decisión de tratar es siempre humana. El agente prepara la información y registra lo que se hizo, en línea con la supervisión humana que prevé el reglamento europeo de IA.
European Union, Artificial Intelligence Act (EU) 2024/1689, EUR-Lex¿Me ayuda con el cuaderno de campo?
Responde el agrónomo
Sí: cada tratamiento debe registrarse con producto, dosis, fecha, cultivo y motivo. Hacerlo bien es obligatorio y protege a la explotación en los controles y con los clientes.
Responde el desarrollador
El registro se rellena con los datos ya recogidos: quién confirmó el tratamiento, dónde y cuándo. Se exporta en los formatos requeridos, sin reescribir nada a mano.
¿Mide también la gravedad de una enfermedad?
Responde el agrónomo
La gravedad se mide clásicamente como porcentaje de superficie afectada. Es lo que decide si un ataque está controlado o empeora.
George N. Agrios, Plant Pathology, Elsevier, 5th ed., 2005Responde el desarrollador
Para medir el área afectada se usa la segmentación de imágenes, por ejemplo con U-Net, una arquitectura nacida para imágenes médicas que separa píxel a píxel el tejido sano del enfermo.
Olaf Ronneberger, Philipp Fischer, Thomas Brox, U-Net: Convolutional Networks for Biomedical Image Segmentation, MICCAI, 2015¿Puedo usar las fotos de mi teléfono?
Responde el agrónomo
Sí, y son valiosas: quien recorre el invernadero nota cosas que ninguna cámara fija ve. Una foto con una nota vale más que un recuerdo.
Responde el desarrollador
Las fotos de teléfono varían mucho en luz y encuadre, el punto débil que demostró el estudio de Mohanty. La app guía la toma y el modelo está entrenado también con fotos imperfectas.
Sharada P. Mohanty, David P. Hughes, Marcel Salathé, Using Deep Learning for Image-Based Plant Disease Detection, Frontiers in Plant Science, 2016¿Y si llega una enfermedad nunca vista?
Responde el agrónomo
Pasa: especies nuevas como Thrips parvispinus se están extendiendo en Europa. En esos casos importa la rapidez con que se llama a un experto.
IOBC-WPRS, Orius laevigatus and phytoseiid mites to control Thrips parvispinus in sweet pepper, IOBC-WPRSResponde el desarrollador
El modelo debe saber decir "no lo sé". Con conjuntos de modelos que votan se estima la incertidumbre: si los modelos no coinciden, el caso pasa a una persona en lugar de recibir una etiqueta errónea.
Balaji Lakshminarayanan, Alexander Pritzel, Charles Blundell (DeepMind), Simple and Scalable Predictive Uncertainty Estimation using Deep Ensembles, NeurIPS, 2017¿Se reducen de verdad los fitosanitarios?
Responde el agrónomo
Con el seguimiento se pasa de los tratamientos por calendario a tratar solo cuando hace falta, que es la idea de fondo de la gestión integrada desde 1959.
Vernon M. Stern, Ray F. Smith, Robert van den Bosch, Kenneth S. Hagen, The integrated control concept, Hilgardia, 1959Responde el desarrollador
No prometemos porcentajes: contamos tratamientos y cantidades de producto por ciclo antes y después, en el mismo cultivo, y publicamos el resultado medido en el Farm Tech.
¿Las cámaras graban también a las personas?
Responde el agrónomo
En el invernadero trabajan personas, y su privacidad merece tanto respeto como la salud de las plantas.
Responde el desarrollador
Las cámaras apuntan a las plantas; si aparece una persona, la cara se difumina automáticamente antes de guardar. El tratamiento sigue el RGPD y se informa a los trabajadores.
European Union, General Data Protection Regulation (EU) 2016/679, EUR-Lex¿Me muestra por qué sospecha una enfermedad?
Responde el agrónomo
Un agrónomo quiere ver el síntoma, no solo leer un nombre. Sin la foto y los datos de clima, un aviso no se puede verificar.
Responde el desarrollador
Cada aviso resalta en la foto las zonas que más pesaron en la decisión, con métodos de atribución como SHAP, y muestra las condiciones climáticas de los días anteriores.
Scott M. Lundberg, Su-In Lee, A Unified Approach to Interpreting Model Predictions (SHAP), NeurIPS, 2017¿En qué punto está la IA para la salud de las plantas?
Responde el agrónomo
La investigación está muy avanzada en laboratorio; en campo quedan retos con condiciones reales, variedades locales y enfermedades raras. El archivo abierto PlantVillage de Hughes y Salathé impulsó buena parte de estos estudios.
Sharada P. Mohanty, David P. Hughes, Marcel Salathé, Using Deep Learning for Image-Based Plant Disease Detection, Frontiers in Plant Science, 2016Responde el desarrollador
La revisión de Kamilaris y Prenafeta-Boldú muestra que el deep learning supera a menudo a los métodos tradicionales en imágenes agrícolas, pero requiere datos de calidad. Por eso empezamos por la recogida de datos, no por el modelo.
Andreas Kamilaris, Francesc X. Prenafeta-Boldú, Deep learning in agriculture: A survey, Computers and Electronics in Agriculture, 2018Los otros agentes de AgriAI
Agente de viveroPlántulas sanas y uniformes, de la semilla al trasplante.
Agente de trasplanteCada plántula en su sitio, en el momento justo.
Agente de fertirrigaciónEl agua y los nutrientes justos, en el momento justo.
Agente de climaEl invernadero siempre en el clima ideal, con menos energía.
Agente de cosechaSolo frutos maduros, cosechados sin daños.
Agente de calidadCada fruto en la categoría correcta.
Agente de envasadoEnvases correctos y trazables, del invernadero al lineal.
Agente de previsión de la producciónSabes cuánto cosechas, cuándo y cuánto te cuesta.
Hazte explotación piloto
Chequeo digital gratuito: revisamos instalaciones, consumos y problemas y te decimos si AgriAI puede ayudarte y dónde.