Un sistema con múltiples cámaras RGB-D y navegación SLAM logró contar plantas con una precisión del 94,55 % y medir automáticamente altura y diámetro del tallo en condiciones reales de cultivo
Redacción: Redacción Mundo Agropecuario BET
Editor: Karem Díaz S.
Un equipo de investigadores desarrolló una plataforma robótica capaz de desplazarse entre plantas de maíz y reconstruirlas tridimensionalmente mientras avanza por el campo. El sistema combina un vehículo terrestre no tripulado, varias cámaras RGB-D sincronizadas y un nuevo método de localización y mapeo simultáneos para realizar fenotipado de alta capacidad directamente en condiciones agrícolas reales.
La investigación, publicada en Artificial Intelligence in Agriculture, aborda uno de los problemas técnicos del mejoramiento vegetal moderno: medir de forma rápida y no destructiva características de miles de plantas sin depender exclusivamente de observaciones manuales ni trasladar las muestras al laboratorio. El método genera nubes de puntos tridimensionales y posteriormente identifica plantas individuales para calcular rasgos como altura y diámetro del tallo.
El trabajo amplía una línea tecnológica en la que visión artificial y aprendizaje automático están automatizando tareas que tradicionalmente exigían numerosas mediciones manuales. En maíz, por ejemplo, ya se ha desarrollado un sistema de aprendizaje cero para caracterizar mazorcas y estimar rendimientos sin tener que reentrenar el modelo para cada nuevo conjunto de imágenes.
Tres perspectivas ayudan al robot a reconstruir el cultivo
El nuevo sistema utiliza un vehículo terrestre no tripulado, conocido como UGV, equipado con múltiples cámaras RGB-D. Estos dispositivos registran simultáneamente imágenes en color e información de profundidad, lo que permite estimar la posición tridimensional de los elementos observados.
El diseño aprovecha varias perspectivas sincronizadas en lugar de depender de una única cámara. Las relaciones geométricas entre los sensores permanecen fijas, proporcionando restricciones adicionales que ayudan al sistema a reconstruir la estructura de las plantas mientras el vehículo se mueve entre las hileras.
Esta aproximación responde a una dificultad característica de los campos de maíz: el entorno presenta numerosas estructuras visualmente parecidas. Tallos, hojas y plantas consecutivas generan patrones repetitivos, mientras el follaje puede ocultar parcialmente los elementos situados detrás. Estas condiciones pueden provocar que los métodos convencionales de visión pierdan referencias necesarias para calcular correctamente el movimiento del robot.
La utilización de diferentes sensores y perspectivas se está extendiendo en agricultura precisamente para superar esos puntos ciegos. Una estrategia relacionada ya permitió combinar imágenes de drones y mediciones LiDAR de robots terrestres para construir mapas precisos de huertos, aprovechando información aérea y terrestre complementaria.
El sistema modifica cómo selecciona las referencias visuales
Uno de los componentes centrales de la investigación es una estrategia que regula la distribución de las características visuales utilizadas por el algoritmo SLAM. Este tipo de sistema necesita identificar puntos reconocibles en imágenes sucesivas para determinar simultáneamente dónde se encuentra el robot y cómo está organizado el entorno.
En un cultivo denso, las características visuales no están distribuidas uniformemente. El fondo puede proporcionar referencias relativamente estables, mientras hojas y tallos ocupan gran parte de la imagen, se superponen y cambian de apariencia según la posición de la cámara.
Para reducir ese desequilibrio, los investigadores incorporaron información semántica al proceso de selección de características. El sistema regula el muestreo entre las regiones correspondientes al cultivo y las pertenecientes al fondo, buscando evitar que una distribución espacial deficiente degrade la estimación de la trayectoria.
Una vez calculado el movimiento del vehículo, las observaciones de las diferentes cámaras se fusionan para producir una nube de puntos densa a escala de parcela. Cada punto representa una posición tridimensional obtenida a partir de las mediciones de profundidad.
El robot separa automáticamente cada planta de maíz
Generar una reconstrucción tridimensional completa no resuelve por sí mismo el problema del fenotipado. El sistema también debe determinar qué puntos corresponden a cada planta individual antes de calcular sus características.
Los investigadores desarrollaron para ello un flujo automatizado que combina la proyección de densidad de la nube de puntos con análisis de topología tridimensional. El procedimiento segmenta los individuos dentro de poblaciones de maíz plantadas densamente y posteriormente extrae sus principales rasgos morfológicos.
Este paso resulta especialmente importante para el mejoramiento vegetal. Una representación 3D general de una parcela puede describir la estructura del cultivo, pero los programas de selección necesitan relacionar características concretas con cada planta o genotipo evaluado.
La automatización del fenotipado también está llegando a partes de las plantas difíciles de estudiar masivamente. Otro sistema publicado previamente utilizó visión artificial para identificar y cuantificar automáticamente tricomas de maíz, un ejemplo de cómo la inteligencia artificial puede acelerar la medición de rasgos que tradicionalmente requieren inspecciones especializadas.
La precisión del conteo alcanzó el 94,55 %
Las pruebas realizadas bajo diferentes condiciones de campo mostraron una precisión del 94,55 % en el conteo de plantas. El sistema también fue evaluado comparando las mediciones automáticas de características morfológicas con valores de referencia.
Para la altura de las plantas, el método obtuvo un coeficiente de determinación R² de 0,85 y un error cuadrático medio de 41,29 milímetros. Los resultados indican una correspondencia elevada entre las estimaciones obtenidas mediante la reconstrucción tridimensional y las mediciones utilizadas para validarlas.
El diámetro del tallo se estimó sobre dos ejes ortogonales. Los valores de R² fueron de 0,79 y 0,76, mientras los errores cuadráticos medios correspondientes alcanzaron 1,21 y 1,03 milímetros.
Estas cifras corresponden al sistema y a las condiciones experimentales estudiadas y no significan que cualquier robot o cámara pueda reproducir automáticamente el mismo nivel de precisión. La densidad del cultivo, la iluminación, las oclusiones, el estado de desarrollo de las plantas y la configuración de los sensores pueden modificar el rendimiento de los métodos de reconstrucción.
El fenotipado 3D puede acelerar la selección de variedades
El fenotipado constituye un cuello de botella en numerosos programas de mejoramiento. Las herramientas genómicas permiten analizar grandes cantidades de información genética, pero relacionar esas diferencias con la forma, crecimiento y comportamiento de miles de plantas continúa requiriendo mediciones físicas.
Una plataforma móvil capaz de recorrer las parcelas y registrar automáticamente características individuales permite aumentar la frecuencia y el volumen de esas observaciones. En lugar de medir manualmente una muestra reducida, los investigadores pueden obtener información tridimensional de poblaciones mucho mayores y repetir los recorridos durante distintas fases del desarrollo.
Esta convergencia entre robótica y mejoramiento también se observa bajo tierra. En Estados Unidos se presentó una plataforma robótica para analizar sistemas radiculares y producir datos preparados para inteligencia artificial, con el objetivo de acelerar la investigación de cultivos capaces de responder mejor a diferentes condiciones de estrés.
En el caso del maíz, disponer de reconstrucciones tridimensionales repetidas podría facilitar estudios sobre arquitectura vegetal, crecimiento, respuesta ambiental y diferencias entre materiales genéticos. El sistema presentado se concentra específicamente en la reconstrucción, segmentación y extracción de rasgos morfológicos; cualquier aplicación posterior para selección genética necesita diseños experimentales que relacionen esos fenotipos con genotipos, tratamientos y rendimiento.
El procesamiento en tiempo real es clave para trabajar a gran escala
Uno de los desafíos del fenotipado tridimensional es el volumen de información generado. Las cámaras de profundidad producen grandes cantidades de datos y la reconstrucción de una parcela completa puede convertirse en una tarea computacionalmente costosa si todas las imágenes tienen que almacenarse y procesarse posteriormente.
El marco desarrollado busca realizar el mapeo mientras el vehículo se desplaza. Esta característica reduce la separación entre adquisición y reconstrucción y permite verificar durante el recorrido si el sistema está manteniendo una representación consistente del cultivo.
La capacidad de operar en campo diferencia estas plataformas de numerosos sistemas de fenotipado controlado. En laboratorio o invernadero pueden fijarse iluminación, distancia de la cámara y posición de la planta; en una parcela agrícola, en cambio, el robot debe trabajar con hojas en movimiento, oclusiones, cambios de luz y superficies irregulares.
Los mismos desafíos aparecen en otras aplicaciones de la robótica agrícola. Un proyecto reciente utiliza un robot multicámara con inteligencia artificial para estudiar enfermedades de la soja desde el interior del cultivo, precisamente porque determinadas zonas de las plantas resultan difíciles de observar desde drones.
Los robots agrícolas evolucionan hacia plataformas de medición
La investigación muestra un cambio en las funciones asignadas a los vehículos autónomos agrícolas. Además de realizar labores físicas como sembrar, pulverizar, desmalezar o cosechar, los robots pueden convertirse en plataformas móviles para recopilar información de alta resolución.
En este enfoque, el valor del vehículo no reside solamente en desplazarse de manera autónoma, sino en mantener sensores suficientemente cerca de las plantas para obtener mediciones que serían difíciles desde el aire. Cámaras RGB-D, LiDAR, sensores espectrales y otros instrumentos pueden integrarse progresivamente en plataformas que recorren las hileras.
Esta evolución también exige mejorar la percepción y navegación en ambientes agrícolas no estructurados. El follaje puede impedir una recepción estable de señales satelitales y los patrones repetitivos de los cultivos dificultan que los algoritmos determinen su posición utilizando únicamente imágenes.
El uso conjunto de visión tridimensional, información semántica y SLAM ofrece una alternativa para mantener la localización mientras simultáneamente se construye el mapa. En el sistema evaluado en maíz, esa combinación permitió pasar de una secuencia de imágenes captadas durante el recorrido a una representación tridimensional en la que pueden identificarse y medirse plantas individuales.
De medir plantas a construir cultivos digitales
El siguiente desafío para tecnologías de este tipo será ampliar la diversidad de características que pueden extraerse automáticamente y comprobar su funcionamiento durante diferentes fases del ciclo del cultivo. Altura y diámetro del tallo son rasgos importantes, pero la arquitectura foliar, la biomasa, la formación de mazorcas y las respuestas al estrés pueden exigir sensores o algoritmos adicionales.
La utilidad agronómica dependerá también de la velocidad de operación, el costo del equipo y la capacidad de procesar parcelas extensas sin perder precisión. Una plataforma experimental de fenotipado puede producir información científica valiosa aun cuando todavía no constituya una solución comercial para productores.
El trabajo publicado en Artificial Intelligence in Agriculture demuestra, no obstante, que un vehículo terrestre con múltiples cámaras de profundidad puede reconstruir poblaciones densas de maíz, separar individuos y cuantificar rasgos directamente en el campo. La combinación de robótica, visión 3D y análisis automatizado acerca el fenotipado de alta capacidad a las mismas parcelas donde los mejoradores evalúan sus materiales.
Fuentes referenciales:
Artificial Intelligence in Agriculture
