Neuroagro inteligencia artificial: Arquitectura de sistemas inteligentes

La presente investigación aborda el diseño, desarrollo e implementación de un sistema inteligente orientado a la evaluación automatizada de productos agrícolas mediante técnicas avanzadas de visión por computadora y aprendizaje profundo. El presente estudio adopta un enfoque aplicado y de carácter experimental, orientado a disminuir la subjetividad inherente a los métodos tradicionales de inspección visual. Dichos métodos, si bien son de uso extendido, presentan limitaciones relacionadas con la consistencia de los resultados, así como con su escalabilidad y reproducibilidad en distintos contextos. En respuesta a esta problemática, se plantea el desarrollo de un sistema basado en detección de objetos mediante arquitecturas del tipo YOLO, el cual ha sido ajustado para su aplicación en entornos agrícolas. Este proceso de adaptación permitió optimizar el rendimiento del modelo durante la inferencia en condiciones reales del entorno agrícola. La solución presentada se realiza siguiendo un enfoque cliente-servidor basado en Flask, permitiendo gestionar el flujo completo del procesamiento, desde la adquisición de imágenes hasta la salida estructurada. Respecto al pipeline, el flujo va organizado en etapas de preprocesamiento orientadas a la normalización de la imagen y, posteriormente, se encuentra la fase correspondiente a la inferencia mediante el modelo entrenado siguiendo esta, se encuentra la etapa de análisis. En esta etapa las detecciones se transforman en variables derivadas que permiten describir el comportamiento del sistema de manera más resumida. A partir de estas variables es más fácil interpretar los resultados, especialmente desde un punto de vista operativo. Para la validación experimental se han utilizado registros obtenidos en condiciones de prácticas reales. En total, se registraron 71 detecciones a lo largo de cuatro ejecuciones del sistema, con una confianza media de 0,5946. El índice de calidad del arreglo se sitúa entre 65 y 85, evidenciando una generación consistente de información estructurada para la obtención de resultados. La propuesta constituye un sistema basado en detección de objetos inteligente que permite la gestión automática del análisis agronómico, contribuyendo a mejorar la objetividad, reproducibilidad y escalabilidad frente a antiguos métodos.