La herramienta, basada en trampas inteligentes y aprendizaje automático, permite el monitoreo autónomo de plagas en cultivos y zonas alejadas, optimizando la toma de decisiones y fortaleciendo la sanidad agropecuaria.
El Instituto de Sanidad y Calidad Agropecuaria Mendoza (ISCAMEN) desarrolló un sistema propio de monitoreo de plagas basado en inteligencia artificial, que utiliza técnicas de machine learning para el reconocimiento automático de insectos mediante trampas inteligentes.
Esta innovación tecnológica busca generar una herramienta autónoma de detección y análisis, especialmente diseñada para cultivos y áreas de difícil acceso.
El sistema permite, en una primera etapa, el monitoreo remoto de plagas en tiempo real, aportando información clave para la aplicación eficiente de tratamientos fitosanitarios y el manejo integral de los cultivos.
Además, el desarrollo contempla la incorporación futura de variables ambientales como temperatura y humedad, ampliando su potencial como plataforma de análisis para la gestión sanitaria.
El proyecto surge a partir de la actualización del anterior sistema de trampas digitales, que dependía de proveedores externos.
Con esta mejora, ISCAMEN optimiza los procesos de captura y procesamiento de datos, reduce costos operativos de actualización y mantenimiento, y avanza hacia una solución tecnológica propia, escalable y accesible para productores de Mendoza y otras regiones del país.
Cobertura territorial del monitoreo
Actualmente, el sistema cuenta con 15 trampas activas, cuatro de ellas instaladas en establecimientos agrícolas privados, y 20 módulos adicionales que permitirán ampliar la red en el corto plazo.
El objetivo es alcanzar un total de 60 dispositivos plenamente operativos, fortaleciendo la cobertura territorial del monitoreo.
El modelo de inteligencia artificial se encuentra en su etapa de aprendizaje en campo, bajo un esquema de entrenamiento supervisado y retroalimentación continua.
Este proceso se apoya en el análisis en laboratorio de los datos obtenidos, con el objetivo de alcanzar un 98% de precisión en la detección de insectos.
En esta fase, se prevé el procesamiento y etiquetado de alrededor de 5.000 imágenes representativas, que contemplan distintos escenarios de iluminación, suciedad, superposición de ejemplares e interferencias visuales.
Este ajuste iterativo permitirá optimizar el rendimiento del modelo YOLOv8 y asegurar resultados consistentes en condiciones variables.
El próximo paso será consolidar la validación del sistema en fincas seleccionadas y ampliar su capacidad de reconocimiento a otras especies de interés sanitario y productivo.
Este desarrollo representa un avance significativo hacia un sistema integral de análisis y gestión de plagas, basado en ciencia aplicada, innovación tecnológica y desarrollo local.
