De lejos, las hileras tras hileras de manzanas rojas maduras en espaldera parecen tan uniformes que es dif\u00edcil comprender cu\u00e1n ampliamente puede variar la producci\u00f3n de un \u00e1rbol a otro.<\/p>\n
En los cultivos en hileras, las herramientas que permiten a los productores monitorear los rendimientos han conducido a una envidiable era de gesti\u00f3n de precisi\u00f3n, pero en la industria de los \u00e1rboles frutales, la recolecci\u00f3n manual ha hecho que tal recopilaci\u00f3n de datos sea poco pr\u00e1ctica, si no imposible.<\/p>\n
Introducir esta prometedora tecnolog\u00eda \u2014la c\u00e1mara y los sistemas inform\u00e1ticos que cuentan meticulosamente las manzanas al ritmo m\u00e1s r\u00e1pido que permite la potencia de procesamiento\u2014 para realmente \u201cver\u201d la variabilidad del rendimiento a trav\u00e9s de todo el huerto y convertirla en informaci\u00f3n \u00fatil.<\/p>\n
Es una promesa incumplida por d\u00e9cadas, pero los avances en los sistemas hort\u00edcolas, el aprendizaje autom\u00e1tico y el procesamiento por computadora han dado como resultado nuevas soluciones que est\u00e1n siendo evaluadas en los huertos, desde sistemas de \u00faltima generaci\u00f3n con procesamiento de datos en tiempo real hasta instant\u00e1neas de tel\u00e9fonos inteligentes para muestreo de huertos.<\/p>\n
Si quiere ser uno de los primeros en adoptar esta tecnolog\u00eda, le va a costar. El primer sistema comercial disponible en los EE. UU., Intelligent Fruit Vision, se vende por $40,000 m\u00e1s una cuota de servicio anual de $6,000 por actualizaciones de software y mantenimiento. Dise\u00f1ado en el Reino Unido, el sistema, llamado FruitVision, utiliza dos c\u00e1maras montadas en un quad o tractor para filmar el dosel y contar unas 500,000 manzanas por hora mientras realiza c\u00e1lculos en tiempo real, produciendo estimaciones de manzanas por \u00e1rbol e hilera, complementado con clasificaciones de tama\u00f1o y un mapa de calor que muestra la variabilidad en la producci\u00f3n de toda la parcela. Es un sistema muy prometedor, pero todav\u00eda tiene algunos inconvenientes que resolver, seg\u00fan un agricultor que lo usa.<\/p>\n
Otros ingenieros est\u00e1n tomando diferentes enfoques para tratar de encontrar una soluci\u00f3n de menor costo, mediante la creaci\u00f3n de un software que pueda analizar las im\u00e1genes recogidas por un tel\u00e9fono inteligente o una c\u00e1mara de video b\u00e1sica, pero esos sistemas est\u00e1n todav\u00eda a varios a\u00f1os de llegar a las manos de los productores.<\/p>\n
Incluso con los obst\u00e1culos tecnol\u00f3gicos, los ingenieros dicen que la tecnolog\u00eda de visi\u00f3n por computadora pronto ofrecer\u00e1 a los productores opciones para recopilar informaci\u00f3n sobre la madurez de la fruta, el desarrollo del color y el rendimiento global, y mapas de rendimientos. Pero es poco probable que un sistema haga todas esas cosas bien, explic\u00f3 el ingeniero Stephen Nuske, quien trabaj\u00f3 en una serie de sistemas de visi\u00f3n para huertos y vi\u00f1edos en la Universidad Carnegie Mellon. Los datos sobre la evoluci\u00f3n del color de las frutas y los mapas de rendimiento relativo son tecnol\u00f3gicamente m\u00e1s f\u00e1ciles de obtener que el rendimiento general. Eso es porque calcular el tama\u00f1o o el peso de la fruta es m\u00e1s dif\u00edcil y requiere una resoluci\u00f3n mucho m\u00e1s precisa que simplemente contar manzanas o racimos de uvas, declar\u00f3.<\/p>\n
\u201cEl \u00e1rea que en mi opini\u00f3n es la m\u00e1s prometedora es la de los mapas de rendimiento, obtener los datos espaciales. Esa es una brecha t\u00e9cnica, ya que es algo que no exist\u00eda antes\u201d, indic\u00f3 Nuske. \u201cLos agricultores gestionan 10 campos de la misma manera, pero si supieran las diferencias y tuvieran herramientas para administrarlos de manera diferente, lo har\u00edan\u201d.<\/p>\n
Visi\u00f3n por computadora<\/strong><\/p>\n En el coraz\u00f3n del esfuerzo se encuentra la dif\u00edcil tarea de ense\u00f1ar a un programa inform\u00e1tico a reconocer manzanas en un \u00e1rbol, incluso aquellas parcialmente ocultas por las hojas o con diferente color. La mente humana lo sabe hacer tan bien que es f\u00e1cil dar por sentado la complejidad que enfrenta la computadora.<\/p>\n \u201cLa gente subestima la dificultad del problema. Mientras el sol se mueve y las sombras se proyectan, los objetos se ocultan unos a otros, las circunstancias cambian completamente\u201d, afirm\u00f3 Volkan Isler, profesor de inform\u00e1tica de la Universidad de Minnesota, quien est\u00e1 desarrollando un software de estimaci\u00f3n de cosecha en colaboraci\u00f3n con el productor de manzanas y horticultor Jim Luby y el estudiante de posgrado Patrick Plonski.<\/p>\n El software tambi\u00e9n tiene que calcular la ubicaci\u00f3n de cada pieza de fruta en el espacio, para evitar el conteo doble o el conteo de una manzana que cuelga en la hilera de atr\u00e1s. Este an\u00e1lisis geom\u00e9trico requiere la mayor potencia de procesamiento, indic\u00f3 Isler.<\/p>\n La capacidad de los agricultores para usar este tipo de tecnolog\u00eda tambi\u00e9n depender\u00e1 de los sistemas de aprendizaje autom\u00e1tico en sus huertos. \u201cEl principio fundamental es que \u00e9ste tiene que ver la fruta para contarla o medirla\u201d, explic\u00f3 Luby. \u201cEn una pared de fructificaci\u00f3n bien administrada, esta tecnolog\u00eda podr\u00e1 ver casi todas las manzanas. En un sistema de eje central en un M.9 o M.26, es posible que el 40\u00a0% no se puedan ver\u201d.<\/p>\n As\u00ed que la tecnolog\u00eda necesita \u201cverificaci\u00f3n en el terreno\u201d: personas que cuenten un n\u00famero suficiente de \u00e1rboles para generar una correlaci\u00f3n entre lo que las c\u00e1maras pueden detectar y lo que realmente hay all\u00ed, afirm\u00f3 Luby.<\/p>\n Para su sistema, Intelligent Fruit Vision recomienda contar manualmente un m\u00ednimo de cinco \u00e1rboles en la primera fila para ense\u00f1arle al programa inform\u00e1tico cu\u00e1ntas manzanas no puede ver en el dosel. El programa inform\u00e1tico considera despu\u00e9s esas manzanas \u201cfaltantes\u201d en sus estimaciones.<\/p>\n \u201cNo hay un manzano promedio\u201d, afirm\u00f3 Laurence Dingle, inventor principal del sistema Intelligent Fruit Vision. \u201cEsto est\u00e1 cambiando la forma en que las personas perciben lo que hay en sus huertos\u201d.<\/p>\n Los huertos de Washington<\/strong><\/p>\n En septiembre, el sistema Intelligent Fruit Vision dio una serie de vueltas, a baja velocidad, alrededor de una parcela de Fuji que tiene un sistema de espaldera en \u201cv\u201d en Columbia Basin y estim\u00f3 la carga frutal en alrededor de 171 manzanas por \u00e1rbol, con \u00e1rboles que tiene desde menos de 75 a m\u00e1s de 200.<\/p>\n \u201cEn un dosel moderno en 2-D como este, con manzanas rojas, estamos seguros de que podemos obtener un margen de error del 5 por ciento\u201d, indic\u00f3 Sam Dingle, administrador comercial de Intelligent Fruit Vision. La compa\u00f1\u00eda es una asociaci\u00f3n entre The Technology Research Center y Worldwide Fruit, Ltd., un gran mayorista de fruta con sede en el Reino Unido, y el sistema ha estado en desarrollo durante cerca de cinco a\u00f1os.<\/p>\n El beneficio de FruitVision es que puede ver la variabilidad y las tendencias de un huerto que nosotros no podemos ver y convertirlas en datos que podemos emplear, explic\u00f3 Hermann Thoennissen, un veterano horticultor que actualmente trabaja como consultor en el centro-sur de Washington. \u201cTodo lo que hacemos en el mundo agr\u00edcola hoy en d\u00eda se hace teniendo en cuenta datos. Cuantos m\u00e1s datos tenga, mejor podr\u00e1 planificar, ejecutar y controlar sus costos\u201d, manifest\u00f3.<\/p>\n Los mapas de rendimiento como los de FruitVision son la pieza que falta en la caja de herramientas de la agricultura de precisi\u00f3n de los productores, asegur\u00f3 Thoennissen. Esa es la raz\u00f3n por la cual FarmCloud, una empresa de obtenci\u00f3n de im\u00e1genes y datos agr\u00edcolas con sede en Seattle a la que asesora, compr\u00f3 un sistema en septiembre.<\/p>\n La empresa planea ofrecerlo como un servicio a los agricultores para complementar las im\u00e1genes a\u00e9reas y otras herramientas de mapeo, declar\u00f3 el CEO de FarmCloud, Dennis Healy. Adem\u00e1s de las estimaciones de carga frutal antes de la cosecha, las cuales ser\u00e1n beneficiosas para las ventas, espera que la tecnolog\u00eda ayude a los productores a gestionar los huertos de manera m\u00e1s eficiente y, alg\u00fan d\u00eda, incluso a guiar el raleo. \u201cEn el futuro, esta tecnolog\u00eda no tendr\u00e1 el aspecto que tiene en la actualidad. Va a ser algo que podremos poner en plataformas de recolecci\u00f3n y poda para recopilar datos continuamente\u201d.<\/p>\n En los pr\u00f3ximos a\u00f1os, Intelligent Fruit Vision tiene la intenci\u00f3n de refinar a\u00fan m\u00e1s sus algoritmos para detectar defectos en la fruta e incluso para estimar la floraci\u00f3n y poder orientar el raleo qu\u00edmico, indic\u00f3 Laurence Dingle. Desde 2017, Intelligent Fruit Vision ha vendido casi una docena de sistemas, principalmente en Europa. Dos estudios independientes de la tecnolog\u00eda, realizados por el Centro de Investigaci\u00f3n Moriniere en Francia y The Greenery, la rama de comercializaci\u00f3n de una cooperativa de productores holandeses, confirmaron que los resultados son consistentes y bastante precisos.<\/p>\n Sin embargo, tiene limitaciones. A principios de la temporada, cuando la fruta es verde y m\u00e1s dif\u00edcil de detectar, el sistema no es tan preciso, y no es muy adecuado para las manzanas Granny Smith y las peras verdes.<\/p>\n El productor neoyorquino Rod Farrow tambi\u00e9n compr\u00f3 un sistema FruitVision este verano y lo utiliz\u00f3 este oto\u00f1o para recolectar datos sobre la carga frutal en SweetTango, Gala y Honeycrisp. Explic\u00f3 que han tenido algunos problemas con las funciones del software que miden las frutas, los cuales la compa\u00f1\u00eda est\u00e1 intentando resolver, pero los datos del conteo de fruta se ven bien.<\/p>\n \u201cPara m\u00ed, el valor nunca estuvo en el tama\u00f1o, sino en el conteo de frutas, porque como agricultor, ah\u00ed es donde puedo ganar dinero\u201d, declar\u00f3 Farrow, a\u00f1adiendo que la funci\u00f3n de medir las frutas definitivamente beneficia las ventas y el marketing. \u201cEstoy muy entusiasmado con su potencial\u201d.<\/p>\n \u00bfSe podr\u00eda lograr con un tel\u00e9fono inteligente?<\/strong><\/p>\n Dado que es costoso llevar una computadora de alta potencia a los huertos, los sistemas de menor costo que est\u00e1n en desarrollo requerir\u00edan transferir los datos de imagen para su procesamiento en otro lugar, retrasando algo los resultados.<\/p>\n \u201cSon muchos datos que calcular, as\u00ed que los productores nos enviar\u00e1n el video. Es m\u00e1s eficiente hacer el procesamiento en un centro de datos moderno\u201d, indic\u00f3 Patrick Plonski del equipo de la Universidad de Minnesota. Plonski explic\u00f3 que el objetivo es construir algoritmos lo suficientemente poderosos como para poder analizar videos de baja calidad provenientes de un tel\u00e9fono inteligente u otra c\u00e1mara electr\u00f3nica de consumo.<\/p>\n Despu\u00e9s de experimentos iniciales con un complejo sistema que funciona sobre las hileras y que porta varias c\u00e1maras para obtener m\u00faltiples vistas del dosel, el profesor de ingenier\u00eda de la Universidad Estatal de Washington, Manoj Karkee, tambi\u00e9n est\u00e1 reduciendo su enfoque a im\u00e1genes que podr\u00edan ser recolectadas por un tel\u00e9fono inteligente que tenga dos c\u00e1maras delanteras, como algunos modelos nuevos. \u201cLa precisi\u00f3n no ser\u00eda tan alta como el sistema sobre hileras, pero podr\u00edamos proporcionar informaci\u00f3n \u00fatil a los productores casi sin costo\u201d, afirm\u00f3.<\/p>\n Pero no se tratar\u00eda solo de tomar una foto. Para el usuario, es m\u00e1s como si estuviese escaneando el dosel para obtener una fotograf\u00eda panor\u00e1mica, mientras que el dispositivo recopila m\u00faltiples im\u00e1genes, explic\u00f3 Karkee. Las im\u00e1genes superpuestas son necesarias para que el software pueda usar esa estereovisi\u00f3n para estimar la distancia y ubicar cada manzana en el espacio tridimensional.<\/p>\n Karkee tambi\u00e9n est\u00e1 siguiendo una estrategia de muestreo, captando la imagen de una parte del huerto en lugar de cada \u00e1rbol. \u201cLos productores no podr\u00e1n escanear cada \u00e1rbol en su huerto de 20 acres. Podr\u00e1n escanear unos cuantos miles de \u00e1rboles y luego hacer estimados para su operaci\u00f3n completa mediante la calibraci\u00f3n y la extrapolaci\u00f3n\u201d, asegur\u00f3. La clave para hacer funcionar un sistema de muestreo es asegurarse de que el muestreo se gu\u00ede por otras medidas de la variabilidad del huerto \u2014suelos, pendientes, im\u00e1genes del dosel\u2014 para que los \u00e1rboles escaneados representen una instant\u00e1nea precisa del huerto, indic\u00f3 Karkee.<\/p>\n Intelligent Fruit Vision dise\u00f1\u00f3 su sistema con el escaneo de cada fila en mente, pero, incluso con el sistema automatizado, consumir\u00eda mucho tiempo en los inmensos huertos del noroeste del Pac\u00edfico. Las velocidades m\u00e1ximas son casi las mismas a las que probablemente uno caminar\u00eda para que el procesador de la computadora pueda mantener el ritmo con las im\u00e1genes recogidas. Thoennissen y Healy dijeron que quieren probar si escanear cada tercera o cuarta fila podr\u00eda proporcionar datos suficientes. M\u00e1s importante a\u00fan, quieren trabajar con los productores para descubrir la mejor manera de utilizar los datos que Fruit Vision y otras tecnolog\u00edas de im\u00e1genes emergentes pueden proporcionar.<\/p>\n \u201cEl aprendizaje autom\u00e1tico llegar\u00e1. La pregunta es cu\u00e1nto y cu\u00e1n pronto podremos integrarlo a nuestros sistemas agr\u00edcolas\u201d, afirm\u00f3 Thoennissen.<\/p>\n","protected":false},"excerpt":{"rendered":" De lejos, las hileras tras hileras de manzanas rojas maduras en espaldera parecen tan uniformes que es dif\u00edcil comprender cu\u00e1n ampliamente puede variar la producci\u00f3n de un \u00e1rbol a otro. En los cultivos en hileras, las herramientas que permiten a los productores monitorear los rendimientos han conducido a una envidiable era de gesti\u00f3n de precisi\u00f3n, […]<\/p>\n","protected":false},"author":36,"featured_media":1063,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"_monsterinsights_skip_tracking":false,"footnotes":""},"categories":[1],"tags":[],"class_list":["post-1060","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-noticias"],"acf":[],"yoast_head":"\n