Una colaboración UMU-empresa idea un sistema predictivo que optimiza producciones agrícolas

Investigadores de la Universidad de Murcia (UMU), en colaboración con la cooperativa cartagenera Agrícola Levante Sur SC han desarrollado un innovador sistema predictivo que utiliza inteligencia artificial y visión por computador para mejorar el control de calidad en el cultivo de melón y coliflor.

Los profesores Félix J. García Clemente, Ángel Luis Perales, Pedro López de Teruel y Alberto Ruiz, pertenecientes al grupo de Transferencia de Conocimiento 'Visión artificial y tecnologías inteligentes en la industria' de la UMU, han liderado esta iniciativa que, tras dos años de trabajo, ha culminado con el desarrollo de una solución técnica que responde a la necesidad de las empresas agrícolas de prever el momento óptimo de recolección de las cosechas, mejorando la precisión y reduciendo costes.

«La colaboración surge de la dificultad a la que se enfrentaba la empresa agrícola a la hora de estimar con precisión el mejor momento para la recolección de los cultivos, particularmente el melón y coliflor. El control de calidad en sus fincas resultaba ser costoso y en ocasiones impreciso, lo que venía afectando a la optimización del rendimiento productivo. Ante esta situación, la empresa buscó la colaboración de la UMU para encontrar una solución innovadora», señala el profesor Félix J. García.

En concreto el proyecto se ha centrado en el desarrollo de un sistema predictivo que proporciona a los agricultores herramientas para la toma de decisiones rápidas y efectivas, ya que permite anticipar situaciones anómalas en el campo con suficiente tiempo de antelación, contribuyendo a mejorar los problemas de calidad surgidos, así como a incrementar el rendimiento de producción de los cultivos.

El sistema utiliza imágenes aéreas geoposicionadas de parcelas de cultivo captadas mediante el empleo de drones equipados con cámaras multiespectrales, así como información extraída de diferentes sensores dispuestos en campo. A partir de este conjunto de datos, se han establecido una serie de métricas que se correlacionan con la calidad de los cultivos. Por ejemplo, las métricas 'índice de vegetación de diferencia normalizada' e 'índice de clorofila de borde rojo' se relacionan directamente con la calidad de la planta.

Con toda la información recopilada y las métricas identificadas se generó el modelo predictivo basado en 'machine learning' que permite evaluar la calidad de los cultivos en base a las predicciones arrojadas por el modelo, y adoptar por parte de los operadores aquellas acciones correctivas en caso de desviaciones.

«En el caso del melón consideramos los grados brix como la salida del modelo dado que es un indicador adecuado para medir su calidad y madurez. Configuramos el modelo para predecir los grados brix a una semana vista con los datos de la semana actual y determinar la calidad del cultivo de la siguiente semana, detectando posibles anomalías. Si la calidad se desvía de los valores estándar, los técnicos pueden tomar las acciones correspondientes para ajustar los tratamientos aplicados al cultivo», añade García Clemente.

El proyecto se ha completado con el desarrollo de un sistema de ayuda inteligente que se ha integrado en el panel de control del sistema, que informa y guía en la toma de decisiones a los técnicos de calidad, además de facilitar el acceso a la información recopilada.

Los resultados obtenidos han sido altamente satisfactorios para la empresa, ya que el modelo predictivo desarrollado para el cultivo del melón ha permitido anticipar posibles situaciones problemáticas, optimizando así el momento ideal para su recolección. Además, se ha conseguido identificar las métricas esenciales para el desarrollo futuro de un modelo predictivo de calidad para la coliflor.

La empresa está actualmente considerando una inversión para transformar el prototipo desarrollado gracias al proyecto colaborativo, en un producto integrado dentro de sus procesos productivos. Este avance representará una mejora significativa en la gestión del control de calidad de la empresa, ofreciendo una monitorización más precisa y eficiente que podría ser clave para la competitividad del sector agrícola.