La primera vez que vi un sistema de cámaras para contar manzanas, se arrastraba lentamente por el huerto justo antes de la cosecha, abrumado por la velocidad de procesamiento de todas las imágenes. Cuatro años más tarde, los sistemas de imágenes pueden recorrer los huertos a toda velocidad, reconociendo la cosecha a través de las fases de desarrollo, desde la yema (en algunos casos) hasta los cajones, mapeando un bloque entero o capturando datos detallados del muestreo.
Estos rápidos avances en la visión por computadora han creado la oportunidad para que las empresas desarrollen herramientas especializadas para los horticultores, desde complejos sistemas montados en cuatriciclos con iluminación personalizada hasta muestreos mediante teléfonos inteligentes.
Los sistemas de imágenes actuales están superando no solo a sus antecesores de proyectos piloto, sino también a los trabajadores que cuentan las yemas a mano antes de la poda o los frutos en desarrollo antes del raleo, lo que demuestra una verdadera promesa para el futuro.
“En el tsunami tecnológico en el que nos encontramos, el campo que más rápido avanza es el de la visión”, afirmó Karen Lewis, directora de la unidad de agricultura de la Extensión de la Universidad Estatal de Washington e investigadora desde hace mucho tiempo en tecnología de huertos.
Hace solo unos años, una buena imagen requería doseles estrechos y manzanas redondas y rojas. Ahora, funciona en los almendros y en los huertos de frutas de hueso. Muchos de los obstáculos tecnológicos se han resuelto, según las fuentes de esta historia, pero la carrera por encontrar las aplicaciones adecuadas para los sistemas de visión que puedan ofrecer resultados y rentabilidad a los productores.
“Realmente estamos estudiando la tecnología. Es muy atractiva, pero no vamos a comprar nada solo porque sea atractiva”, afirma Gilbert Plath, productor de cuarta generación y miembro del comité de tecnología de la Comisión de Investigación de Frutas de Árbol de Washington. “Estamos intentando determinar quién será el ganador, cuál es el punto de precio, cuáles son los datos más valiosos”.
Visión de valor
Al principio, la visión por computadora se imaginaba como una herramienta de estimación del rendimiento, para ayudar a los productores a planificar la cosecha y a los mostradores de venta a prepararse, informó Dennis Healy, director general de FarmCloud, una empresa de consultoría de datos agrícolas. No cabe duda de que eso tiene valor, pero, por ejemplo, desplegar esas herramientas de análisis cada vez más capaces en una fase más temprana de la temporada, ofrece a los productores la posibilidad de utilizar los datos para administrar mejor su carga frutal y aumentar los beneficios.
Después de evaluar los sistemas de visión durante varios años, Healy se asoció con la empresa Green Atlas, con sede en Australia, para distribuir su sistema de visión para huertos en los EE. UU. Indicó, por ejemplo, que los datos que proporciona pueden mostrar a los productores dónde las cuadrillas necesitan ralear a mano, con lo que se ahorran importantes costos de mano de obra. FarmCloud venderá los sistemas u ofrecerá la obtención de imágenes como un servicio, al igual que otro proveedor de servicios digitales agrícolas, innov8.ag, con sede en Walla Walla, Washington.
Muchas de las empresas de visión de huertos con las que habló Good Fruit Grower tienen ahora como objetivo de su tecnología las aplicaciones de manejo de la carga frutal.
“Después de cuatro años de mostrar a los productores que podemos identificar la fruta y clasificar su tamaño, los productores dijeron: ‘Esto es lo que de verdad queremos’”, afirmó Scott Erickson, director de desarrollo de negocios de Farm Vision Technologies, un sistema de visión basado en teléfonos inteligentes que comenzó con una investigación de la Universidad de Minnesota.
Erickson dijo que la joven empresa ofrece una herramienta de estimación del rendimiento comercial (conecta el teléfono inteligente a un vehículo todoterreno y escanea las filas para grabar un video y luego analizarlo) y está colaborando con investigadores de la Universidad Estatal de Michigan para desarrollar una herramienta de medición de los frutos en desarrollo que podría sustituir a las tediosas mediciones con calibradores.
Automated Fruit Scouting, una empresa con sede en Washington se ha saltado por completo la estimación del rendimiento y ha creado su enfoque en torno a la gestión de la carga frutal: un muestreo de los huertos mediante fotos tomadas con un teléfono inteligente.
“A diferencia de nuestros competidores, no vemos solo una parte del árbol para estimar su carga frutal. Observamos el árbol a lo largo de la temporada, como si fuera un equipo en la línea de producción, por lo que nunca tenemos que hacer una estimación”, explica el fundador de la empresa, Matt King.
Diseñó la recopilación de datos en torno a los modelos de gestión de la carga frutal. Una persona recorre la fila y utiliza un teléfono inteligente para fotografiar los árboles. El análisis de las imágenes mide primero el área de la sección transversal del tronco para predecir la carga frutal óptima. En las siguientes pasadas, cuenta los brotes, seguidos de las flores y luego los frutos en desarrollo, convirtiendo el análisis en recomendaciones de gestión para cada paso de raleo hasta que los árboles alcancen la carga frutal óptima.
“Nos cuesta menos que hacerlo con un portapapeles”, indicó King. La empresa, que se puso en marcha el año pasado, cobra 1 dólar por cada árbol muestreado cada temporada. “Le ahorraremos dinero en mano de obra al hacer que se tarde menos, pero luego, si utiliza esa información para alcanzar sus objetivos de producción, le traerá ganancias”.
Moog, una empresa de ingeniería con sede en Nueva York más conocida por sus contratos militares empezó a trabajar en la visión por computadora para huertos hace varios años. El objetivo: desarrollar un sistema de cámaras autónomo que cuente los brotes de cada árbol para permitir una poda y un raleo de precisión que optimicen la carga frutal y, por tanto, la calidad de la fruta.
“En lugar de contar una docena de árboles y luego elegir el proceso de gestión, ¿por qué no podemos contar cada árbol individualmente y proporcionar esa información al trabajador que sabe qué hacer?”, reflexionó Chris Layer, ingeniero principal del proyecto. Están realizando pruebas previas a la comercialización y colaborando con la Universidad de Cornell. “Creemos que sabemos cómo hacer esto, así que la pregunta es: ¿cuánto valor aportaría?
Especificaciones técnicas
King, de Automated Fruit Scouting, basó su enfoque de la visión por computadora en aquel aplicado a líneas de producción por Boeing y otros fabricantes.
“La visión por computadora ha cambiado todos los sectores, excepto la agricultura, hasta ahora”, afirma King. “En realidad es difícil medir las plantas, mucho más que los aparatos. Cambian de forma, cambian de color”. Pero el valor de medir con precisión los procesos de producción es el mismo, añadió.
Este cambio estacional limitó la visión por computadora durante mucho tiempo, apuntó Steve Scheding, cofundador de Green Atlas. Antes, los ingenieros tenían que escribir una serie de reglas para enseñar a una computadora el aspecto de una manzana (redonda, roja, etc.), pero ahora la imagen utiliza un proceso llamado aprendizaje profundo. Básicamente, a una computadora se le proporcionan suficientes imágenes de manzanas y esta aprende a encontrar los patrones.
“Ya no le tiene que explicar cómo se ve una manzana si la rama está bloqueando la mitad de ella”, señaló Scheding. Con suficientes imágenes de cada fase de la temporada, la computadora puede aprender a ver el desarrollo de la floración o el crecimiento de los frutos en desarrollo, en lugar de confundirse con ellos. Con suficientes imágenes, los sistemas con aprendizaje profundo pueden incluso aprender a contar aguacates. “Si quieres el peor contraste de verde sobre verde que se pueda tener, ese es el de los aguacates”, afirmó.
En la actualidad, el problema más difícil sigue siendo garantizar que cada imagen sea buena, añadió.
“Tengo envidia de la visión por computadora de las fábricas, porque literalmente tienen focos en todo, sin sombras”, comentó Scheding. El enfoque de Green Atlas al respecto: luces estroboscópicas que parpadean en cada foto, para competir con la luz del sol. De día o de noche, el aspecto es el mismo.
Pero Automated Fruit Scouting, Farm Vision y otros creen que la cámara de un teléfono inteligente puede obtener todos los datos que necesitan los agricultores, sin necesidad de una iluminación adicional. Los sistemas que se basan en teléfonos inteligentes son más asequibles y pueden utilizarse en varios lugares al mismo tiempo, dicen.
“No tenemos que iterar e inventar la siguiente mejor cámara; ya hay otras empresas que lo hacen”, afirma Erickson. “Nos podemos centrar en qué hacer con esos datos que alguien en la huerta pueda utilizar”.
Solo no hay que tomar fotos directamente al sol, dijo King, y la inteligencia artificial de su empresa puede manejar la variación de la iluminación.
Otro sistema para teléfonos inteligentes se centra exclusivamente en las imágenes de la fruta ya recolectada. Tome una foto de la parte superior del cajón y Spectre (un producto de visión de Hectre, una plataforma de manejo de huertos con sede en Nueva Zelanda) puede clasificar el tamaño o el grado de color de la fruta en cuestión de segundos, informó la portavoz de la empresa Kylie Hall.
Es sencillo, pero puede ahorrar mucho dinero a las empresas si disponen de esa información mucho antes de que la fruta llegue a la línea de empaque, indicó. La identificación de defectos y la determinación del tamaño de las cerezas están en el proceso.
A los huertos también llegan los sistemas de cámaras montados en tractores autónomos, aspersores y otros equipos. Estos fabricantes afirman que están deseando asociarse con las empresas de visión para compartir los datos de las imágenes que sus equipos ya recopilan mientras se mueven por los huertos para la extracción de datos, cuando sea posible.
De los datos a las decisiones
La promesa de la agricultura de precisión es que los datos recopilados por los sistemas de imagen pueden informar a la gerencia, pero ¿a qué nivel? ¿Quieren los productores gestionar árbol por árbol?
King dice que ese es el objetivo. Ahora mismo, recomienda muestrear el 5 por ciento de los manzanos de un bloque de Gala y el 20 por ciento de los de Honeycrisp.
“Lo que creemos que pasará dentro de cinco o diez años es que se tendrá la imagen de cada árbol” y cada uno será gestionado según su capacidad específica, afirma. “Ese es el objetivo de la gestión de precisión de la carga frutal”.
Del mismo modo, Moog prevé ofrecer recomendaciones de poda y raleo específicas para cada árbol, gracias a un GPS robusto que pueda diferenciar los árboles a una distancia de 46 centímetros (18 pulgadas). Con el tiempo, esa información sería la base de las máquinas de poda robotizada, pero en la fase intermedia, podría entregarse a las cuadrillas a través de auriculares o lentes inteligentes.
“En este momento, estamos en la fase de contar lo que realmente hay en el árbol e idear un proceso para comunicárselo al trabajador”, explica Layer. “Mucha gente desarrolla cámaras, mucha gente desarrolla inteligencia artificial. El verdadero reto es combinar todo esto y conseguir que sea robusto”.
Otra empresa emergente, Verdant Robotics, de California, espera poner en práctica inmediatamente la información de visión de precisión con su tecnología de aspersión puntual. La idea es que, si la cámara ve demasiadas flores o frutos en desarrollo en un árbol, se pueda rociar con precisión para ralear solo ese grupo, explicó Curtis Garner, cofundador y director de operaciones de la empresa. La empresa, que aún se encuentra en la fase precomercial del proyecto, está estudiando la posibilidad de la aplicación con precisión de polen, reguladores de crecimiento o antibióticos, como posibles herramientas.
Por otra parte, la tecnología de Green Atlas proporciona mapas de zonas que muestran las áreas con densidad de floración relativamente mayores y menores, por ejemplo. Los productores aún no están gestionando a nivel de árbol individual, indicó Scheding, por lo que algo con más detalles no es valioso. Pero los mapas zonales pueden conectarse a un aspersor de tasa variable con la tecnología existente.
“De manea intrínseca, los datos no tienen valor. Es lo que haces con ellos”, afirmó Scheding. “¿Qué harás de forma diferente? Ahí es donde se deriva el valor”.
Plath coincidió. Este año está evaluando a Green Atlas y Automated Fruit Scouting, entre otras tecnologías.
“Necesitamos que alguien se acerque a nosotros con el panorama completo, o que trabaje con otras empresas que estamos utilizando, como el aspersor o esparcidor de dosis variable, para que el agricultor tenga una manera fácil de hacerlo”, afirmó. “Y lo estamos logrando”.
—por Kate Prengaman
