La tomografía computarizada y la inteligencia artificial abren una vía para detectar la mosca mediterránea en cítricos

La detección de plagas internas constituye uno de los retos de la inspección poscosecha de frutas destinadas al comercio internacional. En el caso de la mosca mediterránea de la fruta (Ceratitis capitata), los huevos y larvas se desarrollan bajo la piel y pueden no generar síntomas externos durante las primeras fases de infestación, dificultando su identificación mediante los métodos convencionales.

Frente a esta limitación, la microtomografía computarizada de rayos X (µCT) permite visualizar en tres dimensiones el interior del fruto sin destruirlo. Sin embargo, la interpretación de estas imágenes requiere actualmente intervención experta, lo que limita su velocidad y aplicación a gran escala. El estudio analiza precisamente si la combinación de µCT e inteligencia artificial puede automatizar esta detección en naranjas Navel y avanzar hacia sistemas de inspección poscosecha más rápidos y reproducibles.

La investigación plantea una alternativa a los métodos de inspección que requieren abrir o destruir la fruta para confirmar la presencia de la plaga. La μCT permite obtener imágenes tridimensionales del interior del fruto y visualizar alteraciones en los tejidos asociadas al desarrollo de las larvas.

Detectar la infestación desde el interior del fruto

Los investigadores realizaron ensayos de infestación controlada utilizando diferentes densidades de adultos de Ceratitis capitata y distintos periodos de incubación, con el objetivo de reproducir diferentes niveles y fases de infestación.

Se emplearon tanto naranjas perforadas artificialmente para favorecer la oviposición como frutos intactos, con el fin de diferenciar los daños provocados por la infestación de aquellos derivados de la propia perforación.

Las imágenes obtenidas mediante μCT fueron analizadas inicialmente de forma manual y posteriormente mediante diferentes modelos de aprendizaje profundo, entre ellos redes neuronales convolucionales (CNN), modelos 3D CNN, arquitecturas híbridas CNN-LSTM y modelos basados en Transformers.

La inspección manual alcanzó una tasa media de clasificación correcta del 84 % en los frutos perforados y del 69 % en los frutos intactos, con una mejora de la detección a medida que avanzaba el desarrollo de la infestación. Estos resultados apuntan a que la identificación de la plaga resulta más sencilla cuando los daños internos provocados por las larvas son suficientemente visibles.

DenseNet121, el modelo con mejores resultados

Para el análisis automatizado mediante deep learning se trabajó con un conjunto de datos de frutos perforados. Entre las arquitecturas evaluadas, DenseNet121 obtuvo el mejor comportamiento general, con una precisión del 88 %, una precisión positiva del 86 %, una sensibilidad del 100 % y un AUC de 0,80.

Los investigadores subrayan que estos valores no deben compararse directamente con los obtenidos mediante inspección manual, ya que ambos análisis se realizaron sobre conjuntos diferentes de frutos.

Además, las herramientas de visualización utilizadas para interpretar las predicciones del modelo, como Grad-CAM y los mapas de atención, mostraron que la inteligencia artificial centraba sus decisiones en regiones de los tejidos relacionadas con los daños provocados por las larvas. Esto aporta evidencia de que el modelo estaba identificando señales biológicamente relevantes y no patrones ajenos a la infestación.

Un paso hacia la inspección automatizada

Uno de los aspectos relevantes del estudio es que los investigadores también comprobaron que la detección podía realizarse considerando el fruto completo, sin necesidad de que un experto seleccionara previamente las secciones más informativas de la imagen.

Esta característica resulta especialmente importante para una posible aplicación en centrales hortofrutícolas o puntos de inspección, donde la selección manual de imágenes o secciones individuales limitaría la capacidad de procesar grandes volúmenes de fruta.

El objetivo del sistema, según señalan los autores, no es necesariamente superar la precisión de un experto, sino automatizar y reproducir el análisis a una escala que no sería viable mediante una revisión manual de cada fruto.

La tecnología todavía requiere más desarrollo

A pesar de los resultados obtenidos, el estudio señala importantes limitaciones antes de plantear una aplicación comercial. El modelo de inteligencia artificial fue desarrollado y validado exclusivamente con frutos perforados, por lo que todavía es necesario determinar si puede alcanzar un rendimiento similar en naranjas intactas y bajo condiciones reales de inspección.

Además, los autores advierten que el rendimiento actual permite detectar la infestación por encima del azar, pero todavía no alcanza los niveles necesarios para su utilización operativa. En el conjunto completo de 189 frutos analizados mediante deep learning, ningún umbral de decisión consiguió simultáneamente una sensibilidad y especificidad consideradas aceptables.

La investigación apunta, por tanto, a la necesidad de ampliar los conjuntos de datos, especialmente el número de frutos no infestados, y mejorar la adquisición de las imágenes. Según los autores, los principales avances futuros podrían depender más de perfeccionar la formación de las imágenes que de seguir ajustando únicamente los modelos de clasificación.

Pese a estas limitaciones, los resultados respaldan el potencial de combinar microtomografía computarizada e inteligencia artificial para desarrollar sistemas de detección fitosanitaria no destructivos, reproducibles y escalables, con posibles aplicaciones futuras en las cadenas de suministro poscosecha.

Referencias:

Scolari, F., Serfontein, L., Kirkman, W., Moore, S., Hoffman, J., Bam, L., & Moyano, A. (2027). Applying convolutional neural networks to X-ray images to improve postharvest detection of fruit fly infestation. Postharvest Biology and Technology.

Más información.