Agricultura de precisión
Perspectivas tecnológicas en agricultura
En los últimos años se ha dado gran importancia al desarrollo e integración de tecnologías para una mejor gestión y seguimiento de los cultivos, por lo que esta sección aborda diferentes propuestas para el control y monitoreo de factores relevantes para el desarrollo de los cultivos.
- Video:Agricultura digital para pequeños productores
- Fuente: Inter-American Development Bank
Combining computer vision and deep learning to enable ultra-scale aerial phenotyping and precision agriculture: A case study of lettuce production
Visualización por computador y aprendizaje automático para fenotipado aéreo y agricultura de precisión: caso de estudio en producción de lechuga
Las imágenes aéreas son utilizadas con frecuencia por investigadores de plantaciones, agricultores y granjeros para el monitoreo de los cultivos durante la temporada de crecimiento. Este estudio presenta una plataforma analítica automática de código abierto que combina la visión por computadora moderna, el aprendizaje automático actualizado y la ingeniería de software modular para medir fenotipos relacionados con el rendimiento a partir de imágenes aéreas de gran tamaño. La plataforma personalizada para cultivos de lechuga es capaz de categorizar y calificar las lechugas con alta precisión y las funciones de análisis incorporadas permiten generar un mapa de distribución a través del campo según el tamaño en función de las regiones de cosecha etiquetadas con el sistema de posicionamiento global (GPS). De esta manera, es posible llevar a cabo prácticas de agricultura de precisión para mejorar rendimientos.
Este estudio fue desarrollado por Alan Bauer (Norwich Research Park, Norwich, UK; University of East Anglia, Norwich, UK) Aaron George Bostrom, Joshua Ball, Christopher Applegate, Tao Cheng (Norwich Research Park, Norwich, UK), Stephen Laycock (University of East Anglia, Norwich, UK), Sergio Moreno Rojas, Jacob Kirwan (G’s Growers Limited, Cambridgeshire, UK) y Ji Zhou (Norwich Research Park, Norwich, UK; University of East Anglia, Norwich, UK) para Horticulture Research (Vol. 6, núm.70, 2019), una revista especializada en estudios sobre genética, genómica y mejoramiento, biotecnología, bioquímica, fisiología, biología celular y molecular, evolución y biología ambiental de plantas hortícolas. Esta es una publicación de Nature. Correo de contacto: [email protected]
Tomato detection based on modified YOLOv3 framework
Detección de tomate con base en el esquema YOLOv3 modificado
La aplicación de la inteligencia artificial a la agricultura ha atraído cada vez más atención en todo el mundo, especialmente en el desarrollo de robots para recolección. Este estudio se enfoca en resolver algunos problemas asociados durante la recolección robotizada de frutos en la temporada de cosecha, para lo cual se propone el uso de un modelo YOLOv3 modificado para la detección de tomates en condiciones ambientales complejas, a través del uso de la técnica LWYS, entre otras configuraciones adicionales que permiten incrementar la variabilidad de las imágenes de entrada y así obtener un modelo de detección de tomates más robusto. Las pruebas realizadas indican una detección de alta precisión en tiempo real bajo las condiciones ambientales evaluadas.
Este estudio fue desarrollado por Mubashiru Olarewaju Lawal (Shanxi Agricultural University, Shanxi, China) para Scientific Reports (Vol.11, núm. 1447, 2021) una revista dedicada a la divulgación de estudios sobre ciencias naturales y clínicas. Esta es una publicación de Nature. Correo de contacto: [email protected].
