El desarrollo de investigadores japoneses de la Universidad de Tokio tiene como objetivo garantizar que toda la cosecha se recoja en el momento adecuado y sin pérdidas.
Por razones de seguridad alimentaria y ganancias económicas, especialmente a medida que los insumos se vuelven más caros, los agricultores se esfuerzan por maximizar el rendimiento de sus cultivos comerciales. Sin embargo, pueden ocurrir pérdidas bastante significativas en la etapa de cosecha, por lo que es importante encontrar el momento óptimo para la cosecha.
Científicos de la Universidad de Tokio están proponiendo un nuevo enfoque que hace un uso extensivo de drones e inteligencia artificial , según un comunicado de la institución científica.
Algunas historias optimistas de ciencia ficción hablan de cómo las máquinas asumirán el trabajo duro en el futuro. En cierto sentido, esta visión predice algunos elementos del progreso tecnológico actual, incluso en la agricultura.
Investigadores, incluso de la Universidad de Tokio, ya han demostrado un sistema en gran medida automatizado para aumentar el rendimiento de los cultivos que aporta muchos beneficios.
«En cuanto a nuestra idea de drones recolectores de cultivos, es relativamente simple, pero el diseño, implementación y ejecución son extremadamente complejos», dijo el profesor asociado Wei Guo del Laboratorio de Fenómica de Campo de la Universidad de Tokio. – Si los agricultores conocen el momento óptimo para cosechar sus campos, pueden reducir las pérdidas. Por otro lado, el mejor momento de cosecha no es fácil de determinar e idealmente requiere un conocimiento detallado de cada planta. Recopilar esos datos sería prohibitivamente costoso y consumiría mucho tiempo para los agrónomos humanos. Aquí es donde los drones resultan útiles”.
Guo tiene experiencia tanto en informática como en ciencias agrícolas, por lo que combinó hardware y software modernos. Él y su equipo han demostrado que algunos drones de bajo costo con software especializado pueden obtener imágenes y analizar plantas jóvenes (en este caso, brócoli) y predecir con precisión sus características de crecimiento esperadas. Los drones realizan el proceso de obtención de imágenes varias veces y lo hacen sin intervención humana, lo que significa que el sistema requiere pocos costos de mano de obra.
“¿Sabía que cosechar un campo justo un día antes o después del momento óptimo puede reducir los ingresos potenciales de un agricultor de ese campo entre un 3,7 por ciento y hasta un 20,4 por ciento? Pero con nuestro sistema, los drones identifican y catalogan cada planta en el campo, luego los datos de las imágenes se introducen en un modelo que utiliza el aprendizaje profundo para crear datos visuales fáciles de entender para los agricultores. Dado el costo relativamente bajo actual de los drones y las computadoras, muchos agricultores deberían disponer de una versión comercial de este sistema”.
El principal desafío que enfrentó el equipo fue el análisis de imágenes y los aspectos de aprendizaje profundo. Recopilar datos de imágenes por sí solo es relativamente trivial, pero teniendo en cuenta cómo se mueven las plantas con el viento y cómo cambia la luz con el tiempo y las estaciones, los datos de imágenes contienen muchas variables.
Entonces, al entrenar su sistema, el equipo tuvo que dedicar una gran cantidad de tiempo a etiquetar diferentes aspectos de las imágenes que los drones pueden ver para ayudar al sistema a aprender a identificar correctamente lo que veía.
El enorme rendimiento de datos también fue un desafío: los datos de imágenes a menudo eran del orden de billones de píxeles, decenas de miles de veces más grandes que incluso la cámara de un teléfono inteligente de alta gama.
«Estoy entusiasmado por encontrar nuevas formas en que el fenotipado de las plantas (medición de las características de crecimiento de las plantas) pase del laboratorio al campo para ayudar a resolver problemas clave para los agricultores, y estoy entusiasmado con esta nueva herramienta para ayudar a los agricultores», concluyó Guo. .
(Fuente: Universidad de Tokio.)
