Una investigación de la Universidad Nacional de Cuyo presentó una propuesta de implementación de algoritmos de reconocimiento de imagen para colaborar con el pronóstico de cosecha de vid, y de otros frutos, así como en la detección de malezas.
Actualmente, la metodología que se utiliza para la estimación de cosecha está dada por el recuento de racimos por planta y el cálculo del peso. “La incorporación de tecnología basada en Machine Learning -aprendizaje autónomo- intenta contribuir con la disminución del error de estimación. Esta información complementa la ya existente y colabora en la optimización de la planificación y producción en la industria agrícola”, explicó el ingeniero Luis Chiaramonte, codirector del proyecto.
Machine Learning
El ingeniero detalló que Machine Learning es una disciplina del campo de la Inteligencia Artificial que, a través de algoritmos, posibilita a los ordenadores identificar patrones en datos masivos y elaborar predicciones (análisis predictivo). Este aprendizaje permite a las computadoras realizar tareas específicas de forma autónoma, es decir, sin necesidad de ser programados.
Con el desarrollo de esta investigación se verán beneficiados, primariamente, los productores regionales. “En la primera fase del proyecto el algoritmo fue entrenado para el reconocimiento de racimos de uva. En la segunda, se seguirá el mismo proceso de trabajo, para hacerlo extensivo al resto de frutas, y por tanto, de los sectores frutihortícolas”, aseguró Chiaramonte, quien es coordinador del Centro de Investigación del Instituto Tecnológico Universitario.
“Además -agregó el investigador- se ha incorporado la posibilidad de identificar maleza para el correcto tratamiento de su erradicación, lo que impacta en el uso eficiente de los herbicidas, en la disminución de los costos de logística para su aplicación, al tiempo que contribuye con el cuidado del medioambiente, ya que se dejan de usar herbicidas genéricos para utilizar los específicos en cada caso”.
“La investigación continúa con la integración de pronóstico en otros tipos de fruta de distinta temporalidad, con lo cual se abre la posibilidad de entrenar el algoritmo todo el año para lograr el funcionamiento óptimo que se requiera en estos estudios”, apuntó Chiaramonte.
El equipo -integrado por profesionales del ITU, de la Facultad de Ciencias Agrarias y del INTA- espera obtener un prototipo de bajo costo producido localmente que pueda ser tomado de base por instituciones como el INV, el IDR, asociaciones de productores y otros entes para futuras estimaciones de cosecha y para asistir en el uso de herbicidas y retiro de malezas.
