Ya hemos hablado de qué hace Spray Analyzer y de la técnica detrás. Este artículo va un nivel más abajo: la arquitectura real del sistema, las decisiones de ingeniería que tomamos y qué cambiaríamos si empezáramos hoy. Es el tipo de detalle que normalmente no se publica porque no vende — pero es exactamente lo que un responsable técnico querría saber antes de confiar en nosotros para su propio proceso.
El problema de negocio, en una frase
Un cliente agrícola en Colombia necesitaba saber, hoja por hoja, qué porcentaje de superficie había quedado cubierto tras un tratamiento de aspersión — sin depender de laboratorio ni de tarjetas hidrosensibles físicas, que son lentas, caras a escala y no dan un dato inmediato en campo.
Arquitectura del pipeline
- Captura: fotografía de la hoja tratada bajo una lámpara UV de 365nm con una cámara de móvil estándar. La estandarización del ángulo y la distancia aquí es más determinante para la precisión final que cualquier mejora de modelo.
- Preprocesado: normalización de color y corrección de exposición con OpenCV, para que variaciones de luz ambiente entre fotos no distorsionen la clasificación.
- Segmentación: aislamiento de la hoja frente al fondo, para que solo se analice el área foliar real y no el entorno de la foto.
- Clasificación por píxel: cada píxel de la hoja se clasifica como fluorescente (cubierto) o no fluorescente (no cubierto), entrenado sobre ejemplos reales etiquetados manualmente en las primeras iteraciones.
- Cálculo del porcentaje: proporción de píxeles cubiertos sobre el total del área foliar segmentada, con el margen de error medido frente a mediciones de laboratorio.
- Exportación: resultado entregado en segundos, sin depender de que alguien interprete manualmente la imagen.
Decisiones que importaron más que el modelo en sí
La tentación técnica es centrarse en qué arquitectura de red neuronal usar. En la práctica, tres decisiones no relacionadas con el modelo tuvieron más impacto en la precisión final:
- Estandarizar la captura antes de tocar el modelo. Ninguna mejora de clasificación compensa una foto mal iluminada o desenfocada.
- Definir bien qué es "borde" de la hoja. Los píxeles de transición entre hoja y fondo son los que más error introducen si la segmentación no es cuidadosa.
- Medir el margen de error contra un método de referencia real, no asumirlo. Comparamos contra mediciones de laboratorio para saber cuánto podíamos confiar en el resultado.
Métricas reales de producción
Más de 10.000 hojas medidas en producción real, con resultado entregado en segundos por fotografía, sustituyendo un proceso que antes dependía de laboratorio o de tarjetas de aspersión físicas. Son los datos verificados que tenemos hoy — no una proyección.
Qué haríamos distinto si empezáramos de nuevo
Con honestidad: dedicaríamos más tiempo al principio a definir el protocolo exacto de captura (distancia, ángulo, tipo de lámpara) antes de recoger las primeras imágenes de entrenamiento. Parte del trabajo temprano fue reajustar el modelo porque las primeras fotos no eran lo bastante consistentes entre sí — un problema de proceso, no de algoritmo, que se podría haber evitado con un protocolo más estricto desde el día uno.
Por qué esto es relevante fuera de la agricultura
El patrón técnico —captura estandarizada, segmentación, clasificación por píxel, umbral de decisión medido— es el mismo que aplicamos en control de calidad en manufactura o en cualquier proceso de inspección visual repetitiva. Cambia qué se fotografía y qué se clasifica; no cambia el principio de ingeniería.
Próximos pasos
Si tu proceso se parece a esto en estructura —aunque el objeto de medición sea completamente distinto— es exactamente el tipo de caso que evaluamos en el diagnóstico de nuestro servicio de visión artificial.