La agricultura mexicana enfrenta desafíos crecientes por falta de mano de obra, altos costos de producción y la necesidad de tecnificar los procesos, ante esta situación, los investigadores Abril Valeria Uriarte Arcea y Gerardo Antonio Álvarez Hernández del Instituto Politécnico Nacional (IPN), trabajan en el desarrollo de un sistema de visión artificial para un futuro robot recolector de tomates. La investigación del Centro de Innovación y Desarrollo Tecnológico en Cómputo (Cidetec) busca que un robot sea capaz de detectar frutos, identificar su estado de madurez y estimar su distancia con alta precisión, un reto científico que podría transformar la productividad agrícola en invernaderos.
INNOVACIÓN TECNOLÓGICA AL SERVICIO DEL CAMPO
El Cidetec, explica la doctora Uriarte Arcea, es un centro enfocado en el desarrollo de tecnologías avanzadas. Actualmente cuenta con cuatro programas de posgrado: dos maestrías: Tecnología de Cómputo e Inteligencia Artificial y Ciencia de Datos y dos doctorados, en Inteligencia Artificial y Ciencia de Datos, y en Robótica y Mecatrónica. Esa diversidad académica permite integrar áreas de computación inteligente, mecatrónica, realidad virtual y realidad aumentada, lo que crea el escenario ideal para proyectos multidisciplinarios como un robot recolector de tomates. En particular, el área de visión por computadora, una de las líneas fuertes del centro, es la base del sistema que busca replicar una tarea tan cotidiana para un humano como identificar un tomate maduro, pero compleja para un robot.
UN ROBOT PARA COSECHAR TOMATES
El tomate es uno de los cultivos más importantes en México. Su valor económico y la demanda internacional han motivado a productores y académicos a explorar tecnologías que faciliten la cosecha, una etapa que requiere precisión y mano de obra especializada. Actualmente, asegura Abril Valeria, varios países utilizan cámaras de profundidad o sistemas robotizados, pero estos equipos suelen ser costosos. El objetivo del IPN es desarrollar un modelo eficiente que funcione con cámaras monoculares, simples y económicas, capaces de inferir información tridimensional mediante redes neuronales. “La detección de madurez y la estimación de distancia son pasos esenciales antes de que un robot pueda cortar el fruto sin dañarlo. Para un humano la tarea es intuitiva, basta estirar la mano y calcular visualmente dónde está el tomate. Para un robot, en cambio, implica complejos cálculos y modelos matemáticos”, detalló.
DE UN INTERÉS FAMILIAR A UNA INVESTIGACIÓN DOCTORAL
En el caso de Gerardo Antonio, la motivación nació mucho antes de llegar al Cidetec. Su familia se dedica a la agricultura y él estudió la carrera técnica de agropecuario antes de convertirse en ingeniero. Esa combinación del campo y la tecnología lo llevó a interesarse en soluciones que faciliten el trabajo de los productores. “Cuando entré al Cidetec pude finalmente correlacionar esas dos cosas: la electrónica y la agricultura”, comentó. Ese interés se transformó primero en su tesis de maestría, enfocada en la detección del estado de madurez del tomate, y ahora continúa con su investigación doctoral, centrada en la estimación de distancia.
UN PROCESO QUE COMIENZA CON MILES DE FOTOGRAFÍAS.
Una de las fases más laboriosas del proyecto ha sido la recopilación y etiquetado de imágenes. Para entrenar un modelo de inteligencia artificial se requiere una base de datos donde cada fotografía esté marcada o “etiquetada”, indicando dónde está el tomate y en qué estado de maduración se encuentra. Gerardo recuerda entre risas que sus compañeros bromeaban con su “fanatismo por los tomates”, pues pasaba horas frente al monitor dibujando cuadros sobre cada fruto dentro de cada imagen. Este paso es indispensable: sin datos etiquetados, ningún modelo podría aprender. Además, es necesario que la clasificación corresponda a la Norma Mexicana de estados de maduración del tomate, ya que cada país maneja diferentes criterios cromáticos y físicos para determinar cuándo un fruto está listo para cosecharse.
YOLO: LA RED NEURONAL DETRÁS DEL DETECTOR
Para la detección del tomate y su madurez utilizan un modelo de aprendizaje profundo basado en la arquitectura You Only Look Once (YOLO), una red neuronal ampliamente usada en tareas de detección de objetos en tiempo real. Aunque el modelo original viene preestablecido en bibliotecas de Python, puede ajustarse para adaptarse a condiciones específicas, como el tamaño del tomate o la iluminación propia de un invernadero. La profesora Uriarte dijo que las redes neuronales funcionan mediante matrices de pesos que simulan la activación de neuronas. “Si una imagen corresponde a un tomate verde, se activa determinado conjunto de conexiones; si corresponde a uno maduro, se activan otras”, dijo. Con miles de ejemplos, la red aprende a distinguir patrones de color, forma y textura y a reducir su margen de error.
EL RETO ES LA ESTIMACIÓN DE DISTANCIA.
Tras lograr un modelo capaz de detectar tomates y clasificar su madurez, el equipo pasó a la siguiente etapa: estimar la distancia del fruto respecto a la cámara. Esto es crucial, pues un error de milímetros puede ser insignificante en una toronja, pero crítico en un tomate cherry, cuya dimensión es muy pequeña. Precisamente por su tamaño, el tomate cherry representa un desafío. Aunque el modelo ya es capaz de calcular la distancia, aún presenta incertidumbre que debe ser reducida antes de integrarlo en un robot real. Durante una estancia en España, Gerardo tuvo acceso a un invernadero experimental equipado con tecnologías de agricultura avanzada. “Allí pude obtener imágenes de alta calidad utilizando cámaras de profundidad, lo que permitió enriquecer la base de datos y mejorar el entrenamiento del modelo para que, con una sola imagen, pueda inferir distancia con mayor precisión”, explicó.
HACIA UN ROBOT RECOLECTOR FUNCIONAL
La meta inmediata es disminuir el margen de error del estimador de distancia para integrarlo con el modelo general que proporcionará la posición real del tomate en un espacio tridimensional. Una vez que se resuelva esa etapa, el siguiente paso sería montar la cámara y el sistema de visión en un robot físico. Sin embargo, esta fase requiere recursos adicionales que probablemente formen parte de un proyecto posterior, debido a su complejidad y costo. A largo plazo, el sistema podría adaptarse fácilmente a tomates más grandes, como las variedades en México, lo que incluso facilitaría la detección y reduciría los problemas de precisión.
AGRICULTURA MÁS INTELIGENTE.
Aunque el robot recolector aún no está terminado, el avance del IPN es significativo porque han logrado que un modelo detecte tomates, identifique su madurez mediante la Norma Mexicana y comience a estimar distancias utilizando solo cámaras económicas. El proyecto podría convertirse en una herramienta clave para modernizar la agricultura en México, reducir costos de mano de obra, aumentar la eficiencia en invernaderos y contribuir a una producción más sustentable.