Hasta ahora, el recuento de racimos por planta y la toma del peso de la fruta se realiza en forma manual. Pero un nuevo método desarrollado por la Universidad Nacional de Cuyo, en Mendoza, Argentina, permite fotografiar el viñedo y luego interpretar las imágenes con precisión, lo que servirá para colaborar en la estimación de cosecha que cada año hacen el Instituto Nacional de Vitivinicultura y distintas entidades públicas y privadas. El sistema también sirve para reconocer y combatir malezas, y se espera aplicarlo con el mismo fin en otros cultivos agrícolas.
El diagnóstico por imágenes en el mundo del agro está cada vez más consolidado y viene despertando el interés en la comunidad científica argentina. Así lo confirma el avance de una investigación de la Universidad Nacional de Cuyo (UNCuyo) sobre la implementación de algoritmos de reconocimiento de imagen, con la que se busca colaborar con el pronóstico de cosecha de vid y de otros frutos, así como en la detección y combate efectivo malezas.
Se trata de la utilización del machine learning (aprendizaje autónomo) aplicado al proceso de estimación de cosecha de la vid, con el fin de perfeccionarlo y así disminuir el error de predicción.
Actualmente, la metodología que se utiliza para la estimación de cosecha es el recuento manual y el pesaje directo de los racimos de cada planta, seleccionando sectores y variedades, para luego extender el cálculo al viñedo completo.
«La incorporación de tecnología basada en machine learning 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.
En su primera fase, se entrenó al algoritmo para el reconocimiento de racimos de uva. Pero luego se le introducirán datos y parámetros para realizar el análisis predictivo de las cosechas en otras frutas.
Luis Chiaramonte, ingeniero director del proyecto
El ingeniero detalló que machine learning es una disciplina del campo de la Inteligencia Artificial (IA) que, a través de algoritmos, posibilita a las computadoras identificar patrones en datos masivos y elaborar predicciones (análisis predictivo). Este aprendizaje permite a los ordenadores realizar tareas específicas de forma autónoma, es decir, sin necesidad de ser programados.
Con el desarrollo de esta investigación se verán beneficiados, primariamente, los productores regionales. «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», especificó Chiaramonte, quien es coordinador del Centro de Investigación del Instituto Tecnológico Universitario (ITU) de la UNCuyo en Mendoza, Argentina.
«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.
Junín y Luján, escenarios de las primeras pruebas piloto
El proyecto, titulado «Mejora del pronóstico de cosecha de vid mediante tecnologías de machine learning, computación distribuida y robótica», 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).
Equipo de investigación y financiamiento
Integran el equipo el profesor del ITU e investigador del CONICET, Emmanuel Millán (director); el profesor de Ciencias Agrarias, Marcos Montoya; el ingeniero de Know-Center GmbH (Austria), Lucas Iácono; y el CEO de la empresa Agropraxes SRL, Federico Framarini.
El proyecto obtuvo financiamiento de la Secretaría de Investigación, Internacionales y Posgrado (SIIP, UNCUYO) y también fondos del ITU destinados a la compra del dron con el que se tomaron las imágenes para entrenar el algoritmo.
De estos resultados surgió una publicación (con referato) que se presentó en el XXVI Congreso Argentino de Ciencias de la Computación y el desarrollo de una tesina de grado de la estudiante Tatiana Parlanti (Licenciatura en Ciencias Básicas con Orientación en Matemática, FCEN).
Además, con este trabajo se inauguró, recientemente, el ciclo de charlas “Investigación y Networking” que impulsa el Área de Innovación de la UNCUYO para promover la divulgación de las ciencias poniendo en valor a investigadores locales.
