Visión artificial en la agricultura de precisión

La agricultura implica labores tediosas e intensivas que requieren del empleo de personal altamente entrenando y costoso. La sostenibilidad en la agricultura es el factor más importante, ya que el sector está sujeto al incremento de los gastos de producción, la fluctuación de los gastos y/o precios del producto y los requerimientos de la seguridad alimentaria, así como la demanda de los consumidores por productos saludables y de mejor calidad.

upn_blog_ing_visión artif_23 nov

Hacer frente a este reto requiere que las empresas agrícolas optimicen sus gastos, incrementen su producción y sean más efectivas.

En este marco de mayor dificultad de los productores agropecuarios para obtener suficiente fuerza de trabajo, un número creciente de investigadores apuntan a los procesos de automatización de las técnicas de cultivo (Maas, F.M. &Steeg, van der P.A.H., 2011). Muchas de estas prácticas hortícolas requieren alguna forma de realimentación a fin de evaluar el estado del cultivo (ej. detección de enfermedad) o determinar la ubicación de ciertos objetos (ej. cosecha). Como los seres humanos normalmente se basan en la visión para realizar estas tareas, sistemas robóticos suelen estar equipados con un sistema de visión a fin de igualar o mejorar el desempeño de sus contrapartes humanas (Wouters, Ketelaere, Deckers, Baerdemaeker, & Saeys, 2015).

Así surge la Agricultura de Precisión, que engloba una serie de tecnologías de aplicación en la producción agraria cuyo factor común es el uso de tecnologías de la información y comunicación (TIC) en la racionalización de la toma de decisiones y su precisa ejecución. Cualquier tarea que forme parte de las operaciones necesarias para la implantación, desarrollo y explotación de un cultivo es susceptible de ser realizado mediante el uso de alguna de las técnicas que integran la Agricultura de Precisión.

En los últimos años los investigadores han estudiado sistemas de visión para detectar y cuantificar floraciones. Uno de esos trabajos es el de Gebbers et al. (2013), quien mapeó la densidad floral en manzanos a fin de realizar el control de sistemas de cosecha automatizadas. Sin embargo, este enfoque no es adecuado para la detección de otros brotes y/o la variación del producto durante la maduración. En este sentido trabajos anteriores han demostrado que las imágenes multiespectrales se pueden aplicar con éxito para el reconocimiento de objetos en muchas aplicaciones agrícolas (Bac,Hemming, & van Henten, 2013; Bulanon, Burks, & Alchanatis, 2010; Okamoto & Lee, 2009; Wallays, Missotten, De Baerdemaeker, & Saeys, 2009).

¿Se puede aplicar esta técnica en el Perú? Creo que sí, pues permitirá que entidades vinculadas al sector agrícola y con grandes extensiones de cultivos puedan saber con precisión dónde atender cualquier anomalía de su plantaciones.

Actualmente en UPN estamos generando investigación en el uso de visión artificial, convencidos de que es una línea de importancia para la mejora del sector productivo. Pero también sabemos que estas soluciones hay que buscarlas en la colaboración de todos los actores del sector, debido al carácter multidisciplinar que tiene esta tecnología. Sobre todo en estrecha colaboración y comunicación con el empresario agrícola y usuario final de las aplicaciones de agricultura de precisión, ya que hay que ofrecerle un producto único y acabado.

*Este post es una colaboración de Jimy Oblitas, director de la Facultad de Ingeniería de la Universidad Privada del Norte.

1 Estrella2 Estrellas3 Estrellas (No hay valoraciones aún)
Cargando...

También te podría gustar...

1 respuesta

  1. Marco Romani dice:

    Tienen un curo libre o diplomado en Visión artificial?

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *