AGRICULTURA DE PRECISIÓN

Fecha: 30 de Junio de 2022

Edición: Junio 2022 No. 31

Gerardo Flores · | Desarrollos tecnológicos | Visto 1219 veces

GERARDO FLORES

En la agricultura, la gran mayoría de las tareas exigidas son repetitivas y agotadoras para el ser humano. Por ejemplo: la inspección de los frutos, la cosecha, la aplicación de plaguicidas y la supervisión de los cultivos. Esta diversidad de tareas y el inherente error humano implican problemas relacionados con la ineficacia de los materiales, el daño involuntario a los cultivos, el desperdicio de recursos o incluso la pérdida parcial de la producción. Para proponer soluciones prácticas a estos problemas, en los últimos años ha crecido la investigación en sistemas para la agricultura de precisión.

La agricultura de precisión es un proceso que gestiona la información del cultivo usando tecnología como robótica, procesamiento de imágenes, inteligencia artificial, y sensores, cuyo objetivo es mejorar la productividad agrícola. En este sentido, la implementación de un sistema de agricultura de precisión de bajo coste que proporcione información fiable es un tema de interés para el sector agrícola y la comunidad científica. Esto es especialmente cierto para los países en desarrollo, donde esta tecnología está fuera del alcance de la mayoría de los agricultores, incluso como servicio de terceros.

A continuación, se presentan 3 investigaciones desarrolladas en el Laboratorio de Percepción y Robótica [LAPyR] del CIO en el tema de agricultura de precisión de bajo costo, que han tenido como objetivo concretar las investigaciones en desarrollos tecnológicos con un TRL 7 o superior, pues han sido probados de manera eficiente en ambientes reales. Agri-Q: Un sistema aéreo no tripulado Un multirotor desarrollado y construido en el laboratorio se encarga de recoger imágenes a través del sistema multiespectral (también constituido en el laboratorio), en una zona de vegetación determinada, mientras que el software desarrollado procesa las imágenes y extrae información relacionada a la salud de la vegetación a partir de las imágenes captadas. El sistema completo: el dron, el sistema multiespectral, y el software conforma un sistema aéreo no tripulado llamado Agri-Q, el cual se muestra en la Ilustración 1.


Una vez que el dron multirotor navega de manera autónoma y ordenada con algoritmos de control y navegación previamente cargados en el autopiloto, las imágenes capturadas por el sistema multiespectra se descargan a un ordenador, y el software desarrollado calcula diversos índices de vegetación y mapas útiles para el agricultor. En la Ilustración 2 se muestran mapas de clorofila, biomasa, e índices MCARI (Modified Chlorophyll Absorption Ratio Index 1) y LAI (Leaf Area Index). Estos índices de vegetación sirven como indicadores del estado de salud entre las regiones de vegetación. Éstos son solo 4 ejemplos de mapas de información, pero es posible obtener algunas decenas de ellos. Esta información es plasmada en un mapa con coordenadas GPS de tal forma que el agricultor puede tomar decisiones en cuanto al tratamiento o mantenimiento del cultivo, cuidando los recursos de una manera cercana a la óptima.


Clasificación de malas hierbas a partir de imágenes de campos de maíz usando aprendizaje y profundo

La discriminación de los cultivos y las malas hierbas en entornos naturales de campo sigue siendo un reto para la aplicación de prácticas agrícolas automáticas. Esto es debido a que este tipo de hierbas consume, e incluso llega a dañar, a los cultivos.

Utilizando imágenes aéreas de una cámara RGB se clasificaron malezas de hoja estrecha (NLW) y malezas de hoja ancha (BLW). Las imágenes se capturaron en condiciones naturales de campo, en diferentes ubicaciones y etapas de crecimiento de las plantas. La extracción de las regiones de interés (ROI) se lleva a cabo empleando el análisis de componentes conectados (CCA), mientras que la clasificación de las ROI se basa en redes neuronales convolucionales (CNN). El método de procesamiento de imágenes para clasificación de malezas en etapas tempranas de crecimiento y en entornos naturales de campos de maíz obtuvo una precisión del 97% en la detección de malezas. En la Ilustración 3 se observan los pasos en el algoritmo de procesamiento de imágenes desarrollado. Un reto para esta investigación es generar suficientes bases de datos con variadas especies de malezas, a fin de conseguir una mejor detección en ambientes variados.


Robot para la detección de fresas y la estimación de su madurez

Tener un conocimiento completo de un campo de cultivo de fresas es útil para tomar decisiones cruciales y optimizar la producción de fresas. Para ello, se presenta un robot autónomo tipo rover que detecta las fresas y estima su madurez en un campo de cultivo a través de información visual utilizando una cámara estéreo; esto se puede ver en la Ilustración 4. Para la detección y clasificación de fresas, acorde a su estado de madurez, se diseña e implementa un algoritmo que utiliza técnicas de procesamiento de imágenes con aprendizaje profundo. Además, se construye un mapa de fresas para proporcionar al agricultor información sobre el estado de crecimiento de la fruta, la salud e incluso una estimación de la producción.

Es importante mencionar que en México los cultivos de fresa son como aquel de la Ilustración 4. Esto dificulta la detección de la fresa; en cambio, existen plantaciones de fresa en los países desarrollados donde éstas se cultivan en ambientes controlados donde algún robot puede identificar las fresas de manera simple. En nuestro caso, el robot y el algoritmo de visión están diseñados para trabajar en las plantaciones de fresa de la región de Guanajuato, donde se presentan terrenos irregulares, espacios estrechos, y fondos escarpados.

Se realizaron experimentos en un campo de cultivo natural, mostrando resultados satisfactorios. El presente sistema consigue un 72% de fresas detectadas de la cantidad total, a una media de 23 cuadros por segundo, mejorando el estado de arte en cultivos del tipo mostrado en la Ilustración 4.

Existen importantes retos en esta investigación, como son detectar las fresas ocluidas por la planta, determinar un rango variado de estados de madurez, y desarrollar un robot móvil manipulador capaz de cosechar la fresa. Actualmente, en el laboratorio se trabaja en aquellas direcciones.


Conclusiones

Existe un inmenso trabajo de investigación por hacerse en la agricultura de precisión. Uno de los problemas más fuertes es la falta de data sets que representen la gran variedad de frutos, plantas, y cultivos en la diversidad de escenarios y condiciones existentes. Además, el problema de la autonomía de los robots es un problema abierto en general para la teoría de control. Los temas anteriores son de particular importancia en los procesos agrícolas que requieren cosecha de diversos frutos. El tema más avanzado actualmente está en la medición de variables ambientales, sin embargo, hace falta reducir los costos en este tipo de dispositivos y que sean alcanzables especialmente para los países en desarrollo. En el CIO se desarrollan colaboraciones en esta dirección con el Plant AI + Biophysics Lab de la Universidad de California en Davis a fin de conseguir desarrollos en la frontera de la ciencia y tecnología.

En cuanto a las investigaciones en el tema de agricultura de precisión, es de notar que en el año 2021 se tienen alrededor de 2700 publicaciones en el tema de agricultura de precisión con machine learning, y se estima que para el 2025 se tengan solo en ese año alrededor de 10,000 publicaciones. Esto indica la creciente demanda en investigación científica y tecnológica en esta temática.

Grupo de Investigación:

  • Gerardo Flores
  • Luis Valentín
  • Andrés Montes de Oca
  • Francisco Garibaldi
  • Gesem Gudiño