Mediante el proyecto ‘DronFruit. Aforamiento y manejo integrado en frutales mediante drones y visión artificial’, desarrollado por el Grupo Operativo Andaluz en el que han participado Agrosap, Cooperativas Agroalimentarias y la Universidad de Sevilla, se pretende desarrollar un sistema de detección de naranjas mediante el uso de imágenes RGB obtenidas por vuelo de un UAV en combinación con un modelo de machine learning, para la estimación de la producción en explotaciones citrícolas.

Dado que en la actualidad el cultivo de cítricos es uno de más relevantes en los países del arco mediterráneo con una superficie cosechada de 513.602 ha, de las cuales el 57% (295.000 ha) se encuentran en España, y que la cosecha es una de las operaciones de mayor coste por su realización manual, cobra una gran importancia la elección del momento óptimo para realizar la recolección.

La medición del índice de madurez, el color de la fruta y el tamaño, son los factores determinantes para realizar la cosecha, y a través de la llamada agricultura de precisión, se pueden estimar de manera objetiva.

Mediante este nuevo proyecto, además del análisis de las imágenes RGB obtenidas, se ha incorporado el uso de las técnicas de aprendizaje automático o machine learning (ML). Estas técnicas de aprendizaje profundo permiten el entrenamiento de un modelo en base a sets de datos previamente obtenidos (y etiquetados, en nuestro caso), y generar a modo de salidas de dicho modelo la clasificación o detección de elementos en dichas imágenes de forma automática.

Por ello, los vehículos aéreos no tripulados (UAV), capaces de portar sensores y cámaras de muy alta resolución, proporcionan una alternativa que puede ser implementada rápidamente y de forma barata. Además generan una gran cantidad de datos, generalmente en forma de imágenes o secuencias de vídeo, y permiten patrones de vuelo flexibles y adaptados a las tareas que se les demanda. En este contexto, la combinación del potencial tecnológico de los drones y las técnicas de ML proporciona perspectivas e información únicas que, de otro modo, sería muy costoso obtener utilizando técnicas tradicionales.

El desarrollo de esta nueva metodología para estimar el rendimiento de los naranjos con alta precisión o al menos con un error menor que el de los métodos visuales puede contribuir a aumentar la rentabilidad económica de los agricultores y reducir los costos de logística y operacionales en entidades como las cooperativas.

Una vez finalizado el proyecto, se constató que la estimación del rendimiento del modelo fue más cercana al rendimiento real que las estimaciones visuales realizadas por un técnico profesional, con solo un 1,54% de error.