Este artículo apareció originalmente en la edición del agosto de 2020 de la revista Good Fruit Grower: Seeing a future for crop estimation technologyy incluye un video en inglés.


Will Beightol, propietario de Collab Wine Co., dirige el equipo Flash —un estimador de cosecha óptico desarrollado por la Universidad Carnegie Mellon— en junio en Phinny Hill Vineyards en Alderdale, Washington. (Ross Courtney/Good Fruit Grower)
Will Beightol, propietario de Collab Wine Co., dirige el equipo Flash —un estimador de cosecha óptico desarrollado por la Universidad Carnegie Mellon— en junio en Phinny Hill Vineyards en Alderdale, Washington. (Ross Courtney/Good Fruit Grower)

Mientras Will Beightol conducía lentamente por un viñedo a principios de junio, una caja del tamaño de un microondas montada en un vehículo todoterreno tomó miles de fotografías.

Conocido como Flash, la caja es un sensor de estimación de cosecha desarrollado por ingenieros de la Universidad Carnegie Mellon. La empresa emergente Bloomfield Robotics surgió de su investigación para comercializar un equipo tecnológico que la industria vitivinícola espera ansiosamente.

Dos veces por semana, Beightol recorre seis bloques en los viñedos del área vitivinícola estadounidense de Horse Heaven Hills al sur de Prosser, Washington, mientras el equipo Flash toma fotografías de la zona de fructificación, iluminando cada fotograma con potentes luces estroboscópicas. La idea es conseguir que las estimaciones de cosecha, un componente esencial de la calidad del vino y los contratos de los productores, sean más eficientes, exactas y objetivas, dijo Beightol, propietario de Collab Wine Co., una empresa de consultoría y gestión de la industria vitivinícola.

Bloomfield Robotics, que se creó en 2018, tiene dos productos hasta ahora: Blink y Flash. Blink es un microscopio de mano con una cámara que presenta una lente líquida y que está diseñado para tomar 10 imágenes diferentes de 10 planos focales diferentes a la vez. Podría contar y medir el tamaño, la densidad y el color de los tricomas en una planta de cannabis, por ejemplo.

El equipo Flash tiene más sentido para la industria de la fruta. Utiliza dos cámaras que disparan una combinación de 10 fotogramas por segundo. Desde el centro de una calle entre hileras de vides, viajando a una velocidad de hasta 40 millas por hora, captura imágenes de racimos de uvas que se utilizan para analizar el tamaño y el color. También puede mostrar el amarillamiento de las hojas u otros rasgos visibles en las plantas.

Ambos sistemas usan algoritmos denominados “aprendizaje profundo”, en los que la computadora “aprende” sobre un objeto cuanto más “ve” ese objeto, dijo Mark DeSantis, CEO de Bloomfield.

La empresa tiene siete cámaras Flash; tres de ellas están en estudio en viñedos de Nueva York, California y Washington.

DeSantis tiene como objetivo hacer que las cámaras sean lo suficientemente asequibles para que cada productor tenga una. La empresa cobraría una tarifa mensual por el servicio y repartiría el costo del equipo, de manera muy similar a un plan de telefonía móvil para un teléfono nuevo. Se negó a revelar estimaciones de precios.

Hace unos años se estrenó una tecnología similar para evaluar la carga frutal en manzanos desarrollada por Intelligent Fruit Vision, con sede en el Reino Unido, y Washington Tractor como distribuidor en los Estados Unidos, y varios grupos de investigación están considerando la posibilidad de usar cámaras de teléfonos inteligentes para recopilar datos similares con un enfoque de muestreo de bajo costo, en lugar de escanear cada hilera.

La tecnología para capturar los datos está ahí, dijo DeSantis, y la carrera está en marcha para ver quién puede convertir mejor la información del sensor en información procesable.

Beightol normalmente mueve su mano sobre el sensor solo para asegurarse de que todo esté funcionando, antes de comenzar su ejecución sobre la estimación de la cosecha. (Ross Courtney/Good Fruit Grower)
Beightol normalmente mueve su mano sobre el sensor solo para asegurarse de que todo esté funcionando, antes de comenzar su ejecución sobre la estimación de la cosecha. (Ross Courtney/Good Fruit Grower)

Acercándose más

La automatización de la estimación de la cosecha con sensores de precisión ha sido durante mucho tiempo un objetivo de la industria de la uva.

“Eso es como el Santo Grial de la viticultura de precisión en este momento”, dijo Melissa Hansen, directora del programa de investigación de la Comisión del Vino de Washington, que a finales de junio concedió a Beightol una subvención para ayudarlo a ampliar el alcance de sus estudios este año.

La tecnología es prometedora, pero aún no es lo suficientemente exacta para uso comercial, dijo Hansen. Como ocurre con cualquier sistema de visión, las ramas y las hojas a veces se interponen en el camino. Los prototipos de cosechadoras robóticas de manzanas tienen el mismo problema.

Los sistemas de imagen en viñedos fueron parte de un proyecto de investigación de la Universidad de Cornell y Carnegie Mellon, financiado con $6.2 millones de dólares durante cuatro años por la Alianza Nacional de Investigación en Uva y la Iniciativa de Investigación de Cultivos Especiales.

En el proyecto de Cornell, denominado “El Viñedo Eficiente”, el prototipo de imágenes generó recuentos de bayas visibles georreferenciadas en un bloque del viñedo, dijo Terry Bates del Laboratorio de Investigación y Extensión de Cornell Lake Erie. Pero la palabra clave es “visible”, dijo Bates. Solo puede contar bayas dentro del campo de visión de la cámara, que estaba limitado en los bloques de ‘Concord’ donde lo probaron por primera vez.

“Cuenta con exactitud lo que puede ver pero no tiene ‘visión de rayos X’ para ver las bayas ocluidas por hojas, tallos u otras bayas”, dijo Bates.

Ahí es donde entra el productor, dijo George Kantor, el investigador de Carnegie Mellon quien dirigió el desarrollo de la tecnología y fue uno de los cofundadores de Bloomfield. Su equipo de investigación está buscando formas de detectar la fruta ocluida, pero por ahora, el sistema no necesita ver todas las bayas para trabajar en viñedos gestionados de manera uniforme. Los productores deben contar algunas vides de muestra a mano y conectar esos datos a la computadora para que pueda desarrollar una proporción de fruta “visible” e “invisible” para las estimaciones del rendimiento de la cosecha.

Con esta calibración, su equipo calcula que el sistema estima de manera constante rendimientos exactos en uvas de mesa y de vino cuando está expuesta al menos el 10 por ciento de la fruta. Un mayor porcentaje de fruta visible no mejora significativamente las estimaciones, señaló.

El equipo Flash utiliza códigos QR en el viñedo para rastrear el bloque y la ubicación. (Ross Courtney/Good Fruit Grower)
El equipo Flash utiliza códigos QR en el viñedo para rastrear el bloque y la ubicación. (Ross Courtney/Good Fruit Grower)

La transferencia de datos es otro desafío, dijo Kantor. La cámara recopila un terabyte de fotos en tan solo unas horas. Con la mayoría de las redes Wi-Fi, el productor obtendría resultados más rápidos al enviar un disco duro a Pittsburgh que al intentar cargar esa cantidad de información en la nube de Bloomfield, dijo. La versión actual de la cámara incluye una computadora incorporada para procesar los datos de esas fotos en el campo, por lo que solo es necesario transferir el análisis.

La máquina está más cerca de la comercialización en las uvas para vino, pero Bloomfield espera usarla en una variedad de cultivos especializados, incluidas las manzanas.

“Al final, queremos ver todo”, dijo Kantor.

En la actualidad, la estimación de la cosecha de uvas de vinificación se basa en cosechar racimos de unas 20 vides por bloque durante julio, contar las uvas, pesarlas e introducir los datos en una ecuación que arroja una mejor estimación del volumen esperado. Es un derecho de pase para los empleados de tiempo parcial y los becarios. Algunos productores se han vuelto bastante precisos a lo largo de los años, dijo Beightol, quien creció en la industria vitivinícola en Horse Heaven Hills.

Sin embargo, si la tecnología funciona como se prometió, el equipo Flash sería aún más exacto y objetivo porque recogería un tamaño de muestra mucho mayor. Al conducirse cada cuatro hileras, podría muestrear 225 plantas por acre.

También podría proporcionar resultados más tempranos, lo que podría ahorrar dinero en el raleo y permitir que los enólogos y productores hagan ajustes antes. Por ejemplo, la cosecha del año pasado se vio afectada por una helada de otoño, dijo Beightol.

“Si la carga de la cosecha fuera enviada a principios de la temporada, sería posible adelantar la fecha de dicha cosecha”, dijo Beightol.

por Ross Courtney