Paso a paso, la IA y la robótica conquistan el campo: GO GreenBot

En este proyecto se ha integrado la Inteligencia Artificial (IA) con un vehículo autónomo para el control de la mala hierba en cultivos leñosos (almendro, cítrico y olivar) mediante una pulverización precisa de producto fitosanitario en tiempo real.

La inteligencia artificial (IA) está transformando la agricultura, ofreciendo soluciones innovadoras para los desafíos actuales y futuros del sector (Grift & Rodríguez, 2023). Este proceso no es asilado ni anecdótico: numerosos grupos de investigación, tanto a nivel nacionales como internacional, evidencia el dinamismo con el que los ingenieros agrónomos están integrando la IA en los sistemas agroalimentarios.

Desde aplicaciones avanzadas de visión por ordenador en ganadería, que permiten detectar comportamientos o estados fisiológicos de los animales en tiempo real (Kamilaris & Prenafeta-Boldú, 2018), hasta el desarrollo de gemelos digitales capaces de modelar entornos productivos complejos para una toma de decisiones optimizada (Benos et al., 2021), los avances tecnológicos están redefiniendo el concepto mismo de intervención agronómica.

En los años ochenta, los sistemas expertos intentaron emular la toma de decisiones humanas, pero se toparon con limitaciones: la dificultad de codificar el conocimiento tácito, la falta de herramientas robustas de inferencia y la complejidad inherente a los sistemas agrícolas, caracterizados por interacciones dinámicas entre factores físicos, químicos, biológicos y económicos (Liakos et al., 2018). Estas interacciones, de naturaleza no lineal, desafían los enfoques de modelización tradicionales (Figura 1).

Figura 1. Sistemas expertos en los años 80: conocimiento codificado en una pantalla verde.

Hoy, el crecimiento exponencial de la capacidad computacional, el acceso a grandes volúmenes de datos y los avances en algoritmos han dado paso a una nueva generación de modelos de IA. Estos sistemas, entrenados con datos reales —como imágenes, sonidos o variables ambientales—, generan soluciones multivariantes y altamente adaptativas sin necesidad de una ingeniería del conocimiento explícita (Wolfert et al., 2017). Sin embargo, persisten desafíos significativos: la opacidad de los modelos, los riesgos de extrapolación más allá de los datos de entrenamiento, la sobrerrepresentación de escenarios comunes y la dificultad para replicar condiciones agronómicas específicas pueden limitar su fiabilidad (Kamilaris & Prenafeta-Boldú, 2018; Tzachor et al., 2020).Para superar estas barreras, los profesionales del sector —ingenieros agrónomos, especialistas en producción animal y vegetal, y líderes en innovación— deben adoptar un enfoque riguroso, basado en principios estadísticos sólidos, diseños experimentales equilibrados y protocolos de validación robustos (Benos et al., 2021). Además, el éxito de la IA en la agricultura requiere un esfuerzo colaborativo: estandarización de datos, creación de metadatos estructurados y una cultura de acceso abierto que facilite el entrenamiento y la validación de modelos representativos (FAO, 2022; Wolfert et al., 2017).

La IA no es una panacea, pero sí una herramienta poderosa cuando se aplica con criterio, conocimiento profundo del contexto agronómico y una perspectiva sistémica. Frente al entusiasmo desmedido o el escepticismo infundado, abogamos por un enfoque equilibrado, sustentado en la ciencia y la colaboración (FAO, 2022). Como comunidad profesional, tenemos la oportunidad de liderar esta transformación, integrando el conocimiento tradicional con tecnologías emergentes para forjar una agricultura más inteligente, resiliente y sostenible.

En este proyecto se ha integrado la IA con un vehículo autónomo para el control de la mala hierba en cultivos leñosos (almendro, cítrico y olivar) mediante una pulverización precisa de producto fitosanitario en tiempo real.

Las malas hierbas ocasionan pérdidas de hasta el 40% en el rendimiento de los cultivos a nivel mundial. Pero a su vez, un uso inadecuado de los productos fitosanitarios para su control puede generar pérdidas de producción por efecto deriva lejos de la zona objetivo o por la escorrentía. Esto resulta una importante fuente de contaminación del suelo y de los cauces de agua y genera un riesgo de la eficacia de la protección de cultivos. Además, una aplicación excesiva supone un aumento de los costes, llegando a ser un 30% del coste total de producción para el agricultor y un daño para el propio cultivo y medioambiente.

La presencia de malas hierbas en las calles de cultivo puede controlarse de manera sencilla mediante labores mecánicas del suelo, pero cuando se trata de controlar aquellas que crecen bajo las copas de los árboles esta tarea presenta un reto, ya que, no solo resulta difícil el acceso bajo la copa, sino que al acercarnos al tronco con maquinaria convencional podría dañarse el árbol o el sistema de riego.

Es por ello por lo que el desarrollo de sistemas como el que propone GreenBot son fundamentales para lograr llevar a cabo una gestión adecuada de los tratamientos fitosanitarios en los cultivos leñosos, buscando un equilibrio entre una buena productividad y rentabilidad económica de la agricultura intensiva, y la sostenibilidad de los diferentes sistemas agrarios (Figura 2).

Figura 2. Aplicación inteligente de herbicidas: precisión, eficiencia y sostenibilidad.

Mediante el uso de algoritmos de visión artificial y aprendizaje automático, se analizan imágenes capturadas por cámaras instaladas en un robot agrícola autónomo para identificar y clasificar diferentes especies de malas hierbas. Esto se realiza mediante el análisis de características visuales, como la forma, el color, la textura y la estructura de las plantas, permitiendo diferenciar entre las plantas deseadas y las malas hierbas y generando un mapa de distribución de estas en el campo.

Cuando la toma de imágenes es periódica a lo largo del crecimiento de los cultivos, es posible monitorear cómo las malas hierbas compiten con las plantas cultivadas por recursos como luz, agua y nutrientes, permitiendo identificar zonas del campo donde las malas hierbas están interfiriendo en la producción del cultivo para realizar intervenciones preventivas o aplicar tratamientos específicos (Figura 3).

Figura 3. Ilustración del proceso de transformación desde la clasificación a nivel de píxel hasta la planificación de la trayectoria de pulverización. El color rojo (0) y negro (0) indican zonas que no serán tratadas, mientras que el color verde (1) representa las áreas donde se aplicará el tratamiento (Raja et al., 2023).

La empresa GMV ha diseñado un sistema con navegación autónomo con capacidad de integrar tres componentes claves: sensores de visión, navegación autónoma basada en ROS2 y un mecanismo de aplicación localizado de herbicida (Figura 4).

Figura 4. El vehículo autónomo equipado con brazo articulado.

El robot se desplaza en línea recta entre las filas de árboles, sin necesidad de planificar rutas complejas ni esquivar obstáculos. Para pasar junto a los troncos sin detenerse, incorpora una estructura semicircular montada en un brazo robótico. Esta extensión se abre al tocar el tronco, lo rodea suavemente y se vuelve a abrir para liberarlo una vez superado, permitiendo que el robot avance sin daños para el árbol y sin desvíos del vehículo (Figura 5).

Figura 5. Mecanismo para evitar los árboles anclado al brazo articulado.

En el interior de esa estructura semicircular se integran boquillas pulverizadoras, que permiten tratar con precisión la base del árbol sin mover el brazo. Solo se activan las boquillas más cercanas a la mala hierba detectada, lo que reduce al mínimo el uso de herbicida y mejora la precisión de la aplicación.La zona para tratar se define cuidadosamente: lo suficientemente cerca del tronco para eliminar la competencia de las malas hierbas, pero no tanto como para dañar la corteza del árbol. Esta calibración espacial tiene en cuenta la sensibilidad de los cultivos leñosos y el comportamiento habitual de las malas hierbas perennes en estos sistemas.

El sistema de visión artificial desarrollado en el marco del proyecto GreenBot emplea una cámara estéreo ZED 2i, instalada a menos de 50 cm del suelo y orientada hacia abajo. Esta configuración le permite monitorizar el área crítica entre el tronco del árbol y la línea de goteo, evitando interferencias con la copa y asegurando una buena visibilidad del suelo, incluso en condiciones de sombra o luz irregular.

Las imágenes se procesan en tiempo real gracias a una Jetson AGX Orin de 64 GB, donde se ejecuta un modelo YOLOv8 entrenado específicamente para la detección de malas hierbas. El script que gobierna este sistema realiza la captura y el procesado automático de imágenes mediante el SDK de ZED, extrayendo tanto la imagen RGB como el mapa de profundidad en alta resolución (Figura 6).

Cada sesión de captura genera un conjunto de datos estructurado, que incluye:

• Timestamp de la detección (en formato UNIX).
• Clase identificada (especie de mala hierba).
• Identificador de seguimiento único.
• Nivel de confianza del modelo.
• Coordenadas 3D del centro del objeto detectado (en metros).
• Bounding box en píxeles (x0, y0, x1, y1).

Tanto la imagen anotada como el archivo JSON con todas las detecciones se almacenan localmente y se envían a través de una API REST implementada con FastAPI, al sistema de pulverización del robot.

De hecho, una vez que el sistema de percepción ha identificado la posición exacta de una mala hierba en el espacio, esa información se utiliza para que el robot se dirija directamente hacia esa planta. De este modo, el sistema de aplicación puede pulverizar herbicida de forma precisa y localizada, actuando únicamente sobre las plantas no deseadas. Esta estrategia permite reducir al mínimo el uso de productos químicos, evita dañar el cultivo principal y mejora la sostenibilidad del manejo agronómico.

La navegación se gestiona con ROS2 e integra sensores como GNSS RTK, IMU y, en su caso, LiDAR o sensores de proximidad. Este conjunto de sensores asegura un movimiento autónomo y preciso entre filas en entornos agrícolas estructurados.

Figura 6. Ejemplo de imágenes tomadas para el modelo de IA.

El sistema ha sido probado en campo en distintas condiciones ambientales, incluyendo variaciones de luz, tipos de suelo y tamaños de planta. Durante los primeros ensayos se observaron algunas limitaciones del modelo a la hora de detectar correctamente plántulas muy pequeñas, especialmente en situaciones con luz cambiante y sombras pronunciadas. Estos resultados han servido para identificar puntos de mejora y han motivado la recolección de nuevas imágenes en condiciones más exigentes, con el objetivo de realizar retrainings para aumentar su robustez en escenarios reales de trabajo.El sistema es capaz de procesar imágenes a una resolución de 1080p con una frecuencia de inferencia de aproximadamente 1 segundo por imagen, lo que permite realizar detecciones seguidas sin comprometer el rendimiento. El procesamiento completo se realiza en la Jetson AGX Orin, sin depender de servidores externos.

La incorporación del mapa de profundidad de la cámara ZED 2i ha permitido calcular con precisión la posición 3D de cada planta, con una fiabilidad espacial en torno a ±2 cm a distancias inferiores a 1 metro. Esto garantiza que la boquilla del sistema de pulverización pueda orientarse con exactitud hacia la mala hierba objetivo.

Los archivos JSON generados con las detecciones se han integrado con éxito en el sistema de control del robot. La estructura de los datos permite enviar múltiples detecciones simultáneamente y ha sido validada por los equipos de desarrollo encargados de la navegación y el sistema de tratamiento localizado (Figura 7).

Figura 7. Equipo autónomo en fase de pruebas operativas sobre cultivo de almendro.

Para el desarrollo de este innovador sistema y llevar a cabo su objetivo, GreenBot cuenta con miembros del grupo de investigación AGR 278 ‘Smart Biosytesms Laboratory’ de la Universidad de Sevilla, por Cooperativas Agroalimentarias de Andalucía, GMV, TEPRO, Pioneer Hi-breed Spain SL, Agropecuaria de Herrera SCA y por el GDR Asociación para el Desarrollo de La Campiña y Los Alcores, abarcando toda la cadena del sector agroindustrial, tanto del sector público como privado. Además, la presencia de entidades agrupadoras del sector agrícola en estrecho contacto con los agricultores asegura una transferencia ágil de conocimientos y facilita la aplicación de los resultados obtenidos, acelerando la transferencia tecnológica al sector.

GreenBot representa una apuesta decidida por la robótica y la inteligencia artificial como pilares de la agricultura del futuro y del presente. Gracias a su enfoque integral y su visión de sostenibilidad, este proyecto está marcando el camino hacia una producción más eficiente, rentable y respetuosa con el medio ambiente.

Figura 8. Miembros del Grupo Operativo GreenBot reunidos en una de las fincas experimentales del proyecto para la realización de ensayos de campo.

El proyecto tiene una duración programada de 21 meses y finalizando el 30 de junio de 2025. Está financiado por la convocatoria 2022 de ayudas para el funcionamiento de Grupos Operativos de la Asociación Europea de Innovación (AEI) en el marco del Programa de Desarrollo Rural de Andalucía 2014-2022, al amparo de la Orden del 7 de julio de 2020, de la Conserjería de Agricultura, Ganadería, Pesca y Desarrollo Sostenible (submedida 16.1, operaciones 16.1.2 y 16.1.3).

Bibliografía

Benos, L., Tagarakis, A. C., Dolias, G., Berruto, R., Kateris, D., & Bochtis, D. (2021). Machine Learning in Agriculture: A Comprehensive Updated Review. Sensors, 21(11), 3758. DOI: 10.3390/s21113758

FAO (2022). The State of Food and Agriculture 2022: Leveraging Automation in Agriculture for Transforming Agrifood Systems. Food and Agriculture Organization of the United Nations. Disponible en: http://www.fao.org/publications/sofa/2022/en/

Grift, T., & Rodríguez, L. (2023). Artificial Intelligence: Super-Power or SuperVillain? Resource Magazine.

Kamilaris, A., & Prenafeta-Boldú, F. X. (2018). Deep Learning in Agriculture: A Survey. Computers and Electronics in Agriculture, 147, 70-90. DOI: 10.1016/j.compag.2018.02.016

Liakos, K. G., Busato, P., Moshou, D., Pearson, S., & Bochtis, D. (2018). Machine Learning in Agriculture: A Review. Sensors, 18(8), 2674. DOI: 10.3390/s18082674.

Rajat, R., Slaughter, D.C., Fennimore, S.A., & Siemens, M. C. (2023). Real-time control of high-resolution micro-jet sprayer integrated with machine vision for precision weed control. Biosystems Engineering, 228, 31-48. DOI: 10.1016/j.biosystemseng.2023.02.006

Tzachor, A., Whittlestone, J., Sundaram, L., & Ó hÉigeartaigh, S. (2020). Artificial Intelligence in Agriculture: Risks and Governance Challenges. Nature Food, 1(10), 616-623. DOI: 10.1038/s43016-020-00156-2

Wolfert, S., Ge, L., Verdouw, C., & Bogaardt, M. J. (2017). Big Data in Smart Farming – A Review. Agricultural Systems, 153, 69-80. DOI: 10.1016/j.agsy.2017.01.023