Un sistema de inteligencia artificial es capaz de detectar semillas de cannabis en imágenes y clasificarlas por su calidad con más precisión que una persona, según un estudio publicado como preprint en Research Square. El trabajo combina visión por computadora y aprendizaje automático para separar las semillas viables de las que no lo son.
En cultivos donde la genética pesa tanto como en el cannabis medicinal o industrial, elegir buenas semillas condiciona la productividad y la homogeneidad de la cosecha. Hasta ahora esa selección se hace casi siempre a mano, un proceso lento, caro, subjetivo y con errores frecuentes.
Cómo funciona el sistema
Los investigadores fotografiaron semillas de cannabis en distintas condiciones, cuidando la iluminación y el fondo para facilitar el análisis. Después normalizaron las imágenes, eliminaron el ruido y las segmentaron para aislar cada semilla.
De cada una extrajeron rasgos como la forma, el color, la textura y el tamaño, que permiten distinguir las semillas sanas de las defectuosas. Con esos datos entrenaron varios algoritmos, entre ellos máquinas de vectores de soporte (SVM), Random Forest y redes neuronales, para ver cuál clasificaba mejor.
Mejor que la clasificación manual
Las redes neuronales y Random Forest obtuvieron las tasas de precisión más altas. Según los autores, el sistema distinguió las semillas viables de las no viables con una exactitud muy superior a la de la clasificación manual, y resultó rápido, reproducible y escalable, apto para uso industrial.
El estudio subraya que automatizar el proceso reduce costes, errores humanos y tiempo de selección, algo que beneficiaría tanto a pequeños productores como a grandes empresas. La herramienta podría incorporarse a líneas de producción de semillas, laboratorios de genética vegetal, cultivos industriales de cannabis y sistemas de agricultura de precisión.
Los autores ven también margen para aplicarla a otras semillas y cultivos, a controles de calidad automatizados o a robots agrícolas. Como próximos pasos plantean probar modelos de deep learning más avanzados, la detección en tiempo real y la integración con hardware especializado.
