DETECCIÓN Y CONTEO DE ESPIGAS DE MAÍZ CON INTELIGENCIA ARTIFICIAL EN IMÁGENES AÉREAS DE DRON

Resumen

La producción de semilla híbrida de maíz (Zea mays L.) es esencial a nivel global, pero su pureza genética depende del desespigamiento riguroso de los progenitores femeninos, con un umbral de tolerancia inferior al 1 % de liberación de polen. Los métodos de desespigamiento actuales son costosos, intensivos en mano de obra o ineficaces ante variaciones de altura y densidad. Como una alternativa para evaluar el desespigamiento, el objetivo de esta investigación fue desarrollar dos modelos de visión por computadora basados en la arquitectura YOLOv12m para la detección y conteo automatizado de espigas de maíz a partir de imágenes aéreas tomadas con dron, analizando el impacto del ángulo de captura (Nadir u Oblicuo) en el desempeño de la detección. Se generó una base de datos con información colectada en múltiples regiones, con varias variedades de maíz y condiciones de siembra, lo cual se considera crucial para la capacidad de generalización del modelo. Los datos fueron preprocesados y aumentados, resultando en 226 imágenes Nadir y 4900 imágenes Oblicuo. Se entrenaron dos modelos basados en YOLOv12m mediante fine-tuning. El Modelo Oblicuo superó sistemáticamente al Modelo Nadir en todas las métricas de desempeño. El Modelo Oblicuo alcanzó una precisión media promedio (mAP50) de 0.995 y un F1 Score de 0.983, mientras que el Modelo Nadir obtuvo un mAP50 de 0.886. Se concluye que el Modelo Oblicuo establece un nuevo punto de referencia en rendimiento para la detección de espigas; no obstante, el Modelo Nadir sigue siendo la mejor aproximación metodológica para el conteo preciso y la estimación de densidad en cultivos densos, ya que la vista cenital minimiza la oclusión por el follaje superior.