La inteligencia artificial y el aprendizaje automático se han convertido en una herramienta con un potencial enorme en la agricultura. Estos avances tecnológicos aportan una información de gran valor, que antes era imposible conseguir, con la que se pueden predecir el comportamiento de los cultivos y el volumen de la cosecha, lo que ayuda a planificar de manera más eficiente toda la actuación postcosecha.
El diagnóstico por imagen aplicado al mundo del agro está cada vez más consolidado y ha despertado el interés de la comunidad científica local. Prueba de ello son los avances de una investigación de la UNCUYO sobre la implementación de algoritmos de reconocimiento de imagen para colaborar con el pronóstico de cosecha de vid, y de otros frutos, así como en la detección de malezas.
Cómo pronostica el volumen de la cosecha este sistema de inteligencia artifical
La metodología que se utiliza para la estimación de cosecha está dada por el recuento de racimos por planta y el cálculo del peso. “La incorporación de tecnología basada en inteligencia artificial y machine learning —aprendizaje automático— intenta contribuir con la disminución del error de estimación. Esta información complementa la ya existente y colabora en la optimización de la planificación y producción en la industria agrícola”, explicó el ingeniero Luis Chiaramonte, codirector del proyecto.
El ingeniero detalló que machine learning es una disciplina del campo de la Inteligencia Artificial que, a través de algoritmos, posibilita a los ordenadores identificar patrones en datos masivos y elaborar predicciones (análisis predictivo). Este aprendizaje permite a las computadoras realizar tareas específicas de forma autónoma, es decir, sin necesidad de ser programados.
Cómo se entrena el algoritmo para la predicción de la cosecha
“En la primera fase del proyecto el algoritmo fue entrenado para el reconocimiento de racimos de uva. En la segunda, se seguirá el mismo proceso de trabajo, para hacerlo extensivo al resto de frutas, y por tanto, de los sectores frutihortícolas”, aseguró Chiaramonte, quien es coordinador del Centro de Investigación del Instituto Tecnológico Universitario.
“Además -agregó el investigador- se ha incorporado la posibilidad de identificar maleza para el correcto tratamiento de su erradicación, lo que impacta en el uso eficiente de los herbicidas, en la disminución de los costos de logística para su aplicación, al tiempo que contribuye con el cuidado del medioambiente, ya que se dejan de usar herbicidas genéricos para utilizar los específicos en cada caso”.
“La investigación continúa con la integración de pronóstico en otros tipos de fruta de distinta temporalidad, con lo cual se abre la posibilidad de entrenar el algoritmo todo el año para lograr el funcionamiento óptimo que se requiera en estos estudios”, apuntó Chiaramonte.
El equipo —integrado por profesionales del ITU, de la Facultad de Ciencias Agrarias y del INTA— espera obtener un prototipo de bajo costo producido localmente que pueda ser tomado de base por instituciones como el INV, el IDR, asociaciones de productores y otros entes para futuras estimaciones de cosecha y para asistir en el uso de herbicidas y retiro de malezas.
Una tecnología que llegó para quedarse
El proyecto, titulado “Mejora del pronóstico de cosecha de vid mediante tecnologías de machine learning, computación distribuida y robótica”, involucra a un conjunto de unidades académicas de la UNCUYO.
Se desarrolló en fincas de Junín y, principalmente, en el predio del INTA, en Luján de Cuyo. Para capturar los espalderos de vid, se utilizaron cámaras de celulares a una distancia aproximada de 1 metro y se realizaron capturas con un dron. Las imágenes obtenidas fueron etiquetadas con el software LabelImg que permite indicar con un rectángulo y un nombre a cada objeto que se desea que los algoritmos de machine learning identifiquen.
Como algoritmo se utilizó la arquitectura YOLOv3. El mismo está incluido dentro de la biblioteca de Python Image al que se integra con TensorFlow y se ejecuta en aceleradoras Graphics Processing Units (GPU). Para el análisis de imágenes se recurrió a la infraestructura de hardware disponible en el Cluster Toko de la Facultad de Ciencias Exactas y Naturales (FCEN, UNCUYO).
