El desarrollo de la inteligencia artificial en los últimos años, junto con el aumento de la potencia de los ordenadores y la inmensa cantidad de información disponible, ha conllevado logros realmente sorprendentes en campos como el reconocimiento del lenguaje y la visión artificial. Una de las claves de estos éxitos han sido las técnicas del llamado deep learning. Estas técnicas se engloban dentro del machine learning, que es, en pocas palabras, una serie de modelos y algoritmos que permiten que los ordenadores “aprendan” a realizar una tarea en base a datos, en lugar de programar explícitamente lo que deben hacer.

Esta tecnología tiene un potencial enorme para analizar de forma masiva imágenes de drones y realizar en una primera fase conteo de arbolado u otros cultivos como lechugas. El objetivo es desarrollar sistemas de análisis que nos permitan detectar enfermedades, estimación de cosecha, etc.

El desarrollo de la inteligencia artificial en los últimos años, junto con el aumento de la potencia de los ordenadores y la inmensa cantidad de información disponible, ha conllevado logros realmente sorprendentes en campos como el reconocimiento del lenguaje y la visión artificial.

Una de las claves de estos éxitos han sido las técnicas del llamado deep learning. Estas técnicas se engloban dentro del machine learning, que es, en pocas palabras, una serie de modelos y algoritmos que permiten que los ordenadores “aprendan” a realizar una tarea en base a datos, en lugar de programar explícitamente lo que deben hacer.

Con estas técnicas se pueden conseguir cosas como la transcripción automática de un vídeo o que un coche autónomo detecte una persona cruzando una calle. Como se puede ver, esto son tareas que, hasta hace poco, debían ser realizadas por unas persona.

 

Ejemplo de imagen de entrenamiento del algoritmo de Mapsens® Agro para inventario de arbolado.

 

En Mapsens estamos implementando esta tecnología en una primera fase para realizar inventarios de cultivos automáticamente. Esta es una tarea repetitiva y tediosa, difícil de automatizar mediante las técnicas tradicionales de programación, pero de gran utilidad para la gestión de una explotación por parte del agricultor. Por lo tanto, estamos usando los datos que hemos ido recogiendo para que nuestros ordenadores aprendan a hacerla en su lugar.

Para ello estamos utilizando algoritmos basados en una red neuronal convolucional, el tipo de modelo de deep learning que ha conseguido el mejor desempeño en cuanto a visión artificial. Con esta técnica es posible  conseguir detectar objetos  de forma robusta sin necesidad de implementar en el programa ningún conocimiento a priori. Para que la red aprenda a detectar y localizar los árboles la entrenamos con imágenes tomadas por drones con ejemplos de inventarios ya realizados.

 

Tras el entrenamiento el  algoritmo es capaz de identificar los árboles que forman parte del cultivo y situarlos espacialmente en imágenes que no ha visto con anterioridad.

Ejemplo de detección de árboles realizada por la red en Mapsens® Agro

Se puede observar como la red detecta árboles de diferentes tamaños, con diferentes tonalidades en la imagen o solapados. Es esta variabilidad de las imágenes es lo que hace que esta tarea fuese complicada de realizar con otros métodos tradicionales.

Esta funcionalidad es además adaptativa, con la obtención de nuevos datos se puede ajustar su funcionamiento para adaptarse por ejemplo a nuevos cultivos o mejorar su rendimiento. Las detecciones realizadas por el algoritmo se procesan y georreferencian para obtener un inventario que se integra en el entorno SIG de Mapsens.

La idea es establecer un servicio rápido y eficaz que sirva a nuestros clientes para el conteo automático de pies para estimar la cosecha. Pero nuestro objetivo va más allá buscando soluciones rápidas de estimación de cosechas, detección de plagas, estimación de abonado y un largo etcétera.

Seguimos trabajando!