Monitorización en tiempo real del rendimiento y calidad en olivar superintensivo basado en Deep Learning

El olivar superintensivo ha experimentado un crecimiento espectacular en los últimos 5 años.

Investigador principal

Manuel Pérez Ruiz

Sede

US

Tecnología

Machine learning, robótica, IoT y blockchain

Sector

2

Agentes agregados

Agroplanning Agricultura Inteligente S.L. (AGL)

Resumen de la propuesta

El olivar superintensivo ha experimentado un crecimiento espectacular en los últimos 5 años. Se propone el desarrollo de un kit robotizado para determinar el rendimiento y la detección de parámetros de calidad en tiempo real mediante el empleo de herramientas de visión y machine learning. Así mismo, el sistema y vehículo se conectarán mediante tecnología IoT y enviará datos a través de una arquitectura blockchain a una plataforma cloud en la que se monitoriza toda la actividad, dotando a la recolección del olivar de una trazabilidad real que pueda llegar directamente al consumidor.

Objetivo del proyecto

Andalucía lidera a nivel mundial la producción de aceite de oliva de calidad, donde el cultivo en régimen superintensivo sigue siendo referente. La cuantificación automática del rendimiento en las cosechadoras constituye aún hoy un reto técnico no resuelto en el sector.

El objetivo del proyecto es el desarrollo de un prototipo operacional de un sistema de monitorización de la producción capaz de detectar marcadores de calidad del fruto del olivar. El kit de monitorización será modular para poder ser fácilmente adaptado a las cosechadoras existentes, e incorporará elementos de conectividad IoT, GNSS-RTK, sistemas robóticos de visión artificial y modelos de machine learning. La experiencia y los últimos trabajos de investigación del grupo sobre AI, UAV y deep learning aplicados al sector agrícola, junto con los trabajos previos sobre instrumentación avanzada y robotización de la maquinaria agrícola, permitirán llevar a cabo con solvencia los objetivos parciales a cumplir para el desarrollo efectivo.

Resultados esperados e indicadores

Nuevo personal investigador (equivalente anual): 1
Patentes: 1 sobre análisis de daño por análisis de imágenes e índices de calidad.
Nº contratos transferencia: 2 (Interprofesional del Aceite de Oliva y Rovimática)
Congresos: Participación en 2; 1 Internacional (ECPA 2021) y 1 Nacional (Expoliva 2021).
Publicaciones indexadas: Al menos 3, en Q1; Computers and Electronics in Agriculture, Agronomy y Biosystem Engineering.
Tesis doctorales: 1 tesis para 2022 sobre Redes Neuronales Convolucionales para la estimación del rendimiento en olivar usando análisis de imágenes.

Justificación potencial impacto tecnológico del proyecto (TRL)

En los trabajos previos de investigación del grupo y en los entornos probados se ha conseguido demostrar que la tecnología esta actualmente en un TRL 6. Con este proyecto y tareas propuestas en el mismo se quiere llegar a un TRL 7 y por tanto demostrar que la integración de los subsistemas en un único prototipo funcione apropiadamente en un entorno operacional. La empresa agregada (AGL), en la tarea 4, participara muy activamente en la ejecución de las pruebas finales y la evaluación general.