Aprendizaje automático en la agricultura: 100% de ahorro en pesticidas y recursos humanos

Innowise incorporó la tecnología de visión por ordenador a robots agrícolas autodirigidos, lo que les permite alimentar automáticamente a las plantas y eliminar las malas hierbas con láser.

Cliente

Industria

Agricultura, IoT

Región

Cliente desde

2021

Nuestro cliente es una empresa que fabrica robots agrícolas autónomos para automatizar y acelerar el trabajo agrícola en la región europea.

La información detallada sobre el cliente no puede divulgarse en virtud de las disposiciones del acuerdo de confidencialidad.

Desafío: Superar las limitaciones del cuidado manual de las plantas con la tecnología de AI en la agricultura

La utilización de sistemas de granja ML y robots en el sector agrícola es cada vez más crucial debido a los importantes obstáculos que plantea el cuidado manual de las plantas, que exige mucho esfuerzo humano, tiempo y gastos. Estas tecnologías avanzadas pueden hacer frente a diversos retos, como la escasez de mano de obra y la eficiencia de los recursos. El resultado es una solución más completa y eficaz a los problemas de la agricultura moderna.

Nuestro cliente fabrica robots y dispositivos autónomos destinados a automatizar el proceso de cultivo y cuidado de las plantas. Aunque los robots podían desplazarse por las camas y los campos, carecían de la capacidad de diferenciar entre plantas y malas hierbas a efectos de fertilización y riego selectivos.

Nuestros expertos se enfrentaron al importante reto de integrar en los robots un software especializado capaz de distinguir y segregar con precisión las plantas raleadas. El objetivo posterior del programa era eliminar malas hierbas específicas mediante láser con una precisión óptima. Además, los sistemas de la granja ML debían determinar el tipo de plantas y suministrarles una cantidad suficiente de fertilizante adecuado, en función de su clase y sus métricas de estado.

En resumen, el alcance del trabajo incluía:

recogida de datos;
marcado manual de datos;
aumento de datos;
formación de modelos;
integración del modelo;
procesamiento en tiempo real.

Solución: Aplicación de machine learning en el sector agrícola para la eliminación de malas hierbas y la alimentación selectiva de las plantas

Nuestros desarrolladores completaron con éxito el proyecto e implementaron una solución de IA en los robots autónomos para el procesamiento en tiempo real de imágenes de campo escaneadas y la identificación de malas hierbas en milisegundos. Equipados con láseres calibrados con precisión, los robots pueden eliminar hasta 100.000 malas hierbas por hora. Además, los robots son ahora capaces de clasificar las plantas y administrar fertilizantes en función de sus necesidades individuales. Además, pueden determinar las condiciones del campo y las métricas para optimizar las prácticas agrícolas y mejorar la eficiencia.

Utilizando una cámara de vídeo integrada, recopilamos y etiquetamos un conjunto de datos formado por más de 10.000 imágenes de plantas. A continuación, nuestro equipo procedió a realizar tareas como el marcado, el aumento y el entrenamiento de modelos en un conjunto de datos ampliado. Innowise ha implementado con éxito un modelo de machine learning supervisado que puede establecer automáticamente la conexión entre las variables de entrada y las salidas objetivo, lo que permite predicciones precisas en nuevas imágenes no vistas de tallos y campos. Esto facilita la clasificación de plantas y la detección de tallos, la erradicación de malas hierbas y la fertilización selectiva. Esta solución constituye un caso excepcional de uso del machine learning en el sector agrícola, que ofrece resultados notables en términos de automatización de tareas, conservación de recursos, mejora de la fertilidad y mitigación del impacto medioambiental adverso causado por los pesticidas.

Red neuronal de segmentación de plantas de extremo a extremo y detección de tallos

Durante la fase de adquisición de datos, recogimos imágenes de plantas y malas hierbas mediante una cámara de vídeo acoplada a un robot agrícola que navegaba por un campo. Una vez adquiridos, los especialistas agrícolas marcaron los datos para la detección y segmentación de objetos en fases posteriores de aumento y refinamiento de datos.

Posteriormente, nuestro equipo desarrolló una red neuronal personalizada capaz de identificar el tipo y la clase de una planta a partir de una imagen y tomar decisiones fundamentadas sobre el tratamiento de las plantas basándose en la experiencia previa. Integramos esta solución en un dispositivo final equipado con GPU, lo que le permitió procesar datos en tiempo real y distinguir plantas a partir de conjuntos de datos previamente aprendidos. El detector de tallos identifica la ubicación de los tallos de las plantas para facilitar el guiado láser.

El software permite al robot tomar decisiones sin acceso a Internet mientras trabaja en campos agrícolas. Al volver a la estación y acceder a la red, el conjunto de datos puede actualizarse con información y ajustes adicionales. Las capacidades de la red neuronal no se limitan a una base de datos: el sistema de machine learning admite el reentrenamiento de redes neuronales utilizando conjuntos de datos actualizados para cultivar nuevos tipos de plantas y erradicar diversos tipos de malas hierbas.

Además de identificar las clases de plantas y malas hierbas, la red neuronal también puede determinar el estado del campo y las métricas clave, que posteriormente se utilizan para regular la intensidad del riego.

Eliminación de malas hierbas por láser de alta precisión y alimentación selectiva de plantas

Los sistemas agrícolas ML utilizan tecnología punta para revolucionar la industria agrícola. Durante la fase de adquisición de datos, la cámara de vídeo integrada recoge imágenes de plantas y malas hierbas mientras el robot agrícola se desplaza por el campo. Los datos recogidos son marcados por especialistas agrícolas para la posterior detección y segmentación de objetos.

La red neuronal de segmentación de cultivos y maleza de extremo a extremo proporciona una segmentación semántica precisa de la escena, distinguiendo cultivos, maleza y hierba. El sistema envía señales a varios módulos láser que funcionan simultáneamente, lo que permite a las desbrozadoras autónomas eliminar más de 100.000 malas hierbas por hora, de forma automática y sin productos químicos. La gran precisión del sistema láser se debe a detectores ultraprecisos, con parámetros láser finamente ajustados que permiten determinar el alcance hasta 2 mm.

El sistema también emplea la alimentación selectiva, que trata individualmente cada planta del campo. La visión por ordenador analiza el estado actual de cada planta, teniendo en cuenta factores como la fase de crecimiento, el estado de salud y las necesidades de nutrientes. A partir de esta información, el sistema determina el tratamiento más adecuado para cada planta, seleccionando las porciones de alimento correctas que deben aplicarse. De este modo se reducen los recursos y se consigue un enfoque más rentable de la alimentación de las plantas.

Los sistemas agrícolas ML están diseñados para ser flexibles y adaptables a diversos tipos de plantas. La red neuronal puede aprender y reaprender a partir de nuevos conjuntos de datos, que pueden utilizarse para entrenar al motor de IA a identificar y tratar distintas especies de plantas. Esto implica recoger y etiquetar imágenes de las nuevas plantas, realizar el aumento de datos y refinar los nuevos datos, lo que permite al sistema ampliar continuamente su base de conocimientos y sus capacidades.

En general, el sistema de granja ML desarrollado por Innowise es un excelente ejemplo de los beneficios de machine learning en el sector agrícola, que permite soluciones rentables y eficientes para la gestión y el tratamiento de cultivos.

Tecnologías

ML y MLOps

Python, PyTorch, OpenCV, MMSegmentation, TensorFlow, AWS (S3, Lambda, EC2, CloudWatch)

Proceso

Nuestro equipo celebró una reunión inicial con el cliente para reunir los requisitos y comprender sus necesidades específicas para los robots autónomos. A partir de estos requisitos, creamos un plan de diseño integral para desarrollar el sistema de software, que constaba de dos etapas principales: la recopilación y el etiquetado de datos mediante una cámara de vídeo integrada y la implementación de un modelo de machine learning supervisado.

Para gestionar el proyecto con eficacia, seguimos la metodología ágil y celebramos reuniones diarias para hacer un seguimiento de los avances y debatir cualquier problema o duda. También utilizamos herramientas de comunicación como Google Chat y programas de gestión de proyectos como Jira y Confluence para asignar tareas y supervisar el rendimiento.

Tras un mes y medio de desarrollo, pudimos crear la versión MVP de la red neuronal, capaz de tomar decisiones eficaces sin control adicional. Este enfoque nos permitió desarrollar un sistema flexible y escalable que podía adaptarse a distintos entornos agrícolas y casos de uso, proporcionando a los agricultores una solución rentable y eficiente para gestionar sus explotaciones.

Equipo

Jefe de proyecto

Ingenieros ML

Desarrollador de Back-End

Resultados: Reducción del uso de plaguicidas y de los costes de recursos humanos.

La implantación de machine learning en la agricultura mediante el uso de robots agrícolas equipados con visión por ordenador y motores basados en IA aporta numerosas ventajas al sector. Fomenta la rentabilidad al reducir el uso de fertilizantes y productos químicos innecesarios y mejorar la productividad agrícola mediante el tratamiento selectivo de cada planta. Además, ofrece un seguimiento y cartografía detallados de los campos sin intervención humana, proporcionando a los agricultores información vital sobre el estado de sus campos.

El resultado de la implantación de esta tecnología para el cliente es una reducción de los recursos globales utilizados, lo que se traduce en beneficios económicos gracias al cuidado automático continuo de los cultivos, altos rendimientos y perfecta salud de las plantas. Además, la eliminación de malas hierbas mediante láser y sin productos químicos protege los ecosistemas agrícolas, minimizando el impacto medioambiental negativo de las prácticas agrícolas tradicionales. La capacidad de aprendizaje y adaptación continuos del sistema permite a los agricultores actualizar periódicamente el conjunto de datos y adaptarse a nuevos tipos de plantas y labores agrícolas.

En general, la integración de la tecnología de IA en la agricultura tiene un enorme potencial para aportar beneficios al sector, al medio ambiente y a la naturaleza. Los robots ML pueden aumentar la calidad y fertilidad de las cosechas, reducir costes, preservar los recursos naturales y eliminar posibles daños a los seres humanos al realizar tareas complejas de forma automática.

Duración del proyecto

Septiembre 2021 - Noviembre 2022

64%

ahorro de fertilizantes

100%

ahorro en pesticidas y recursos humanos

Casos relacionados

Póngase en contacto con nosotros

Reservar una llamada o rellene el siguiente formulario y nos pondremos en contacto con usted cuando hayamos procesado su solicitud.

Nombre

Empresa

Correo electrónico

Teléfono

Mensaje Por favor, facilítenos detalles del proyecto, duración, tecnologías, especialistas informáticos necesarios y otra información relevante.

Grabe un mensaje de voz sobre su proyecto
para ayudarnos a comprenderlo mejor.

Adjunte los documentos adicionales si es necesario

Cargar archivo

Puede adjuntar hasta 1 archivo de 2 MB en total. Archivos válidos: pdf, jpg, jpeg, png

Le informamos de que cuando haga clic en el botón Enviar, Innowise procesará sus datos personales de acuerdo con nuestra Política de privacidad con el fin de proporcionarle la información adecuada.

Qué pasa después?

Una vez recibida y procesada su solicitud, nos pondremos en contacto con usted para detallar las necesidades de su proyecto y firmar un acuerdo de confidencialidad que garantice la confidencialidad de la información.

Después de examinar los requisitos, nuestros analistas y desarrolladores elaboran una propuesta de proyecto con el alcance de las obras, el tamaño del equipo, el tiempo y las estimaciones de costos.

Concertamos una reunión con usted para discutir la oferta y llegar a un acuerdo.

Firmamos un contrato y comenzamos a trabajar en su proyecto lo más rápido posible.

Aprendizaje automático en la agricultura: 100% de ahorro en pesticidas y recursos humanos

Cliente

Desafío: Superar las limitaciones del cuidado manual de las plantas con la tecnología de AI en la agricultura

Solución: Aplicación de machine learning en el sector agrícola para la eliminación de malas hierbas y la alimentación selectiva de las plantas

Tecnologías

Proceso

Equipo

Resultados: Reducción del uso de plaguicidas y de los costes de recursos humanos.

Casos relacionados

Póngase en contacto con nosotros

Qué pasa después?

Vamos a^●desarrollar
software juntos!

Hacer otra petición

Cerrar

Aprendizaje automático en la agricultura: 100% de ahorro en pesticidas y recursos humanos

Cliente

Desafío: Superar las limitaciones del cuidado manual de las plantas con la tecnología de AI en la agricultura

Solución: Aplicación de machine learning en el sector agrícola para la eliminación de malas hierbas y la alimentación selectiva de las plantas

Tecnologías

Proceso

Equipo

Resultados: Reducción del uso de plaguicidas y de los costes de recursos humanos.

Casos relacionados

Póngase en contacto con nosotros

Qué pasa después?

Vamos a●desarrollar software juntos!

Suscríbase a a nuestro boletín

Hacer otra petición

Cerrar

Vamos a^●desarrollar
software juntos!

Suscríbase a
a nuestro boletín