Monitoreo fenológico de lechuga mediante CNN en fábrica de plantas con iluminación artifical (PFAL)

Abstract

Las fábricas de plantas con iluminación artificial (PFALs) permiten cultivar hortalizas en entornos controlados, pero presentan limitaciones en la automatización del fenotipado y en la precisión de la segmentación bajo condiciones lumínicas variables. En particular, la iluminación púrpura generada por diodos LED rojo-azul altera la percepción del color y dificulta la delimitación del dosel vegetal, afectando la obtención confiable de parámetros morfológicos. El objetivo de esta investigación fue diseñar e implementar un sistema automatizado de fenotipado RGB-D basado en un robot cartesiano y modelos de aprendizaje profundo para analizar rasgos morfológicos de lechuga (Lactuca sativa L.) en un sistema PFAL. Las imágenes RGB-D se capturaron durante el ciclo de crecimiento bajo dos condiciones: fotoperiodo activo con luz púrpura y fase oscura del fotoperiodo, manteniendo una vista cenital fija y geometría constante. Se entrenaron los modelos YOLOv8n-seg y YOLOv11n-seg bajo tres configuraciones de datos (50–35–15 %, 70–20–10 % y 90–5–5 %). YOLOv11n- seg alcanzó la mayor precisión (F1 = 0.953, Dice = 0.966, mAP50–95 > 0.96), reduciendo 40 % los falsos positivos en la fase oscura del fotoperiodo y manteniendo una precisión de segmentación superior al 96 % con luz púrpura. A partir de las máscaras se extrajeron métricas morfológicas 2D–3D área proyectada, altura, volumen aparente, circularidad y relación altura-diámetro que sirvieron como entradas para un modelo multimodal orientado a la predicción no destructiva de peso fresco, peso seco y área foliar. El sistema propuesto supera las limitaciones de segmentación bajo iluminación artificial compleja y sienta las bases de un pipeline de fenotipado RGB-D automatizado para agricultura de precisión.