Un dron de seis rotores en vuelo: fotografía ilustrativa. Crédito de la imagen: Richard Unten vía FlickrCC POR 2.0
Por razones de seguridad alimentaria e incentivos económicos, los agricultores buscan continuamente maximizar el rendimiento de sus cultivos comercializables. Como las plantas crecen de manera inconsistente, en el momento de la cosecha, inevitablemente habrá variaciones en la calidad y el tamaño de los cultivos individuales. Por ello, encontrar el momento óptimo de cosecha es una prioridad para los agricultores.
Un nuevo enfoque de uso de drones e inteligencia artificial mejora de manera demostrable esta estimación al realizarla de manera cuidadosa y precisa. analizando cultivos individuales para evaluar sus probables características de crecimiento.
Canalización de IA basada en drones. Una descripción general visual del sistema para capturar y analizar datos de imágenes sobre cultivos, que luego informa un modelo para ayudar a los agricultores a saber el mejor momento para cosechar sus campos. Crédito de la imagen: Guo et al. CC-BY
Algunas historias optimistas de ciencia ficción hablan de un futuro posterior a la escasez, en el que las necesidades humanas serán atendidas y las máquinas proporcionarán el trabajo duro. Hay algunas formas en las que esta visión parece predecir algunos elementos del progreso tecnológico actual. Una de esas áreas es la investigación agrícola, donde la automatización ha tenido un impacto.
Por primera vez, investigadores, incluidos los de la Universidad de Tokio, han demostrado un sistema en gran medida automatizado para mejorar el rendimiento de los cultivos, lo que puede beneficiar a muchos y ayudar a allanar el camino para sistemas futuros que algún día podrían cosechar cultivos directamente.
«La idea es relativamente simple, pero el diseño, implementación y ejecución es extraordinariamente compleja», dijo el profesor asociado Wei Guo del Laboratorio de Fenómica de Campo.
“Si los agricultores conocen el momento ideal para cosechar los campos, pueden reducir el desperdicio, lo que es bueno para ellos, para los consumidores y para el medio ambiente. Pero los tiempos óptimos de cosecha no son fáciles de predecir e idealmente requieren un conocimiento detallado de cada planta; dichos datos tendrían un costo y un tiempo prohibitivos si se contratara a personas para recopilarlos. Aquí es donde entran los drones”.
Guo tiene experiencia tanto en informática como en ciencias agrícolas, por lo que es ideal para encontrar formas en que el hardware y el software de vanguardia puedan ayudar a la agricultura. Él y su equipo han demostrado que algunos drones de bajo costo con software especializado pueden obtener imágenes y analizar plantas jóvenes (brócoli en el caso de este estudio) y predecir con precisión sus características de crecimiento esperadas.
Los drones llevan a cabo el proceso de obtención de imágenes varias veces y lo hacen sin interacción humana, lo que significa que el sistema requiere poco en términos de costes laborales.
Visualización de datos en fotografías aéreas. El costo del trabajo humano y el tiempo involucrado prohíbe la catalogación manual de plantas individuales en un campo. Aquí, los datos del catálogo recopilados por los drones y producidos por un sistema de aprendizaje profundo se superponen a fotografías de los campos. Crédito de la imagen: Guo et al. CC-BY
“A algunos les sorprendería saber que cosechar un campo tan solo un día antes o después del momento óptimo podría reducir el ingreso potencial de ese campo para el agricultor entre un 3,7% y hasta un 20,4%”, dijo Guo.
“Pero con nuestro sistema, los drones identifican y catalogan cada planta en el campo, y sus datos de imágenes alimentan un modelo que utiliza el aprendizaje profundo para producir datos visuales fáciles de entender para los agricultores. Dados los costos relativamente bajos actuales de los drones y las computadoras, una versión comercial de este sistema debería estar al alcance de muchos agricultores”.
El principal desafío del equipo estuvo en los aspectos de análisis de imágenes y aprendizaje profundo. Recopilar los datos de la imagen en sí es relativamente trivial, pero dada la forma en que las plantas se mueven con el viento y cómo la luz cambia con el tiempo y las estaciones, los datos de la imagen contienen mucha variación que a las máquinas a menudo les resulta difícil compensar.
Entonces, al entrenar su sistema, el equipo tuvo que invertir una gran cantidad de tiempo etiquetando varios aspectos de las imágenes que los drones podrían ver, para ayudar al sistema a aprender a identificar correctamente lo que estaba viendo. El enorme rendimiento de datos también fue un desafío: los datos de imágenes eran a menudo del orden de billones de píxeles, decenas de miles de veces más grandes que incluso la cámara de un teléfono inteligente de alta gama.
«Me inspira encontrar más formas en que el fenotipado de las plantas (medición de los rasgos de crecimiento de las plantas) pueda pasar del laboratorio al campo para ayudar a resolver los principales problemas que enfrentamos», dijo Guo.
Fuente:Universidad de Tokio
!function(f,b,e,v,n,t,s){if(f.fbq)return;n=f.fbq=function(){n.callMethod?
n.callMethod.apply(n,arguments):n.queue.push(arguments)};if(!f._fbq)f._fbq=n;
n.push=n;n.loaded=!0;n.version=’2.0′;n.queue=[];t=b.createElement(e);t.async=!0;
t.src=v;s=b.getElementsByTagName(e)[0];s.parentNode.insertBefore(t,s)}(window,
document,’script’,’https://connect.facebook.net/en_US/fbevents.js’);
fbq(‘init’, ‘1254095111342376’);
fbq(‘track’, ‘PageView’);
Publicado anteriormente en The European Times.
