Este proyecto aborda una problemática de gran relevancia para la producción agropecuaria: el impacto de las malezas sobre el rendimiento de los cultivos, tanto por la competencia por agua y nutrientes como por los costos asociados a su control. Con el objetivo de avanzar hacia estrategias de manejo más sustentables, integra robótica terrestre autónoma, monitoreo aéreo, análisis de imágenes mediante técnicas de aprendizaje automático y el desarrollo de prototipos tecnológicos para el control de malezas.
Entre los principales desarrollos se incluyen navegación autónoma en predios frutícolas, planificación global y local de rutas, detección automática de malezas en imágenes, y el diseño de prototipos de actuación mecánica, eléctrica y mediante fluidos dirigidos de forma controlada. Asimismo, el proyecto incorpora métodos avanzados de entrenamiento para algoritmos de detección, orientados a reducir la necesidad de etiquetado manual, y contempla la generación de registros georreferenciados para construir historiales de monitoreo en campo.
El proyecto es liderado por investigadores del Instituto de Computación de la Facultad de Ingeniería de la Universidad de la República. Asimismo, participan investigadores del Instituto de Mecánica de los Fluidos y del Instituto de Ingeniería Mecánica y Producción Industrial de la Facultad de Ingeniería, así como investigadoras de la Facultad de Agronomía. También colaboran productores y asociaciones de productores, entre ellas FUCREA, con sus grupos de productores frutícolas y vitícolas, así como AFRUPI y Olivos de las Ánimas.
Financiación: Fondo de Promoción de Tecnología Agropecuaria (FPTA) - INIA.
Se propone abordar el problema de eliminación de malezas mediante un robot autónomo equipado con sensores de imagen y de profundidad, que realizará monitoreo para la detección de malezas y enviará la señal correspondiente para el control. La solución se basará en una plataforma de navegación con sensores de imagen y de profundidad (cámaras estéreo o LIDAR) como principales sensores de localización. Para la detección de malezas se utilizarán técnicas de visión por computadora y de aprendizaje profundo. Se realizarán pruebas de campo para la identificación y clasificación, se generará una base de datos, se entrenarán los algoritmos y luego se evaluará la detección automática. Además, se estudiarán diferentes velocidades de avance del robot, que se espera que alcance al menos la de una caminata humana.
Se buscará erradicar las malezas mediante técnicas de bajo impacto. El robot deberá ser capaz de detectar las malezas y accionar el mecanismo de control sobre ellas. Además, deberá guardar la información geolocalizada de la maleza detectada para planificar posteriormente una nueva intervención en caso de especies perennes. Para ello, primero estudiaremos las técnicas existentes y realizaremos los prototipos correspondientes para evaluarlas. Posteriormente evaluaremos estos prototipos y realizaremos una prueba de campo con el robot y el prototipo que logre mejores resultados. Como ejemplo, estudiaremos la factibilidad de prototipos de erradicación mecánica, de erradicación con calor, de chorro de agua, de vapor o de pasta de celulosa.
El proyecto se organiza en las siguientes componentes:
Se desarrollará un sistema para la detección y reconocimiento de malezas desde los robots utilizando redes neuronales y técnicas clásicas de visión por computadora.
Se desarrollarán tres prototipos basados en distintas tecnologías para el control de malezas: uno mecánico, uno eléctrico y otro de aplicación controlada de fluidos.
Se desarrollará un sistema de navegación autónoma que permitirá al robot planificar trayectorias de interés y desplazarse por ellas en predios frutícolas, ubicarse con precisión en el entorno y registrar su posición durante las tareas de monitoreo y control.
Se desarrollará un sistema de navegación autónoma para un dron, capaz de recorrer el área de interés, identificar la presencia de malezas y registrar su localización en un mapa georreferenciado para apoyar la planificación de intervenciones.
Se integrarán los distintos desarrollos del proyecto para conformar un sistema completo de monitoreo y control de malezas, capaz de detectar, intervenir y generar reportes históricos a partir de recorridas terrestres y aéreas.
Se seleccionarán predios de experimentación y se evaluará la validez de los prototipos en función del tipo de maleza, las condiciones del entorno y el comportamiento de los robots, entre otros factores.
Gonzalo Tejera Lopez, Mercedes Marzoa Tanco
Grupo MINA - Instituto de Computación - Facultad de Ingeniería
Referente: Juana Villalba, Grupo Disciplinario de Malherbología, Facultad de Agronomía
Referente: Mercedes Marzoa Tanco, INCO, Facultad de Ingeniería
Referente: Ignacio Franco, IMFIA, Facultad de Ingeniería
Referente: Santiago Correa, IIMPI, Facultad de Ingeniería
Referente: Gonzalo Tejera, INCO, Facultad de Ingeniería
Referente: Gonzalo Tejera, INCO, Facultad de Ingeniería
Referente: Facundo Benavides, INCO, Facultad de Ingeniería
Referente: Jorge Visca, INCO, Facultad de Ingeniería
Entrevista audiovisual en el programa Las Ganas, donde Juana Villalba y Mercedes Marzoa Tanco presentan el proyecto, explican el trabajo interdisciplinario y muestran a Pipe, uno de los robots utilizados para el monitoreo y control de malezas.
Nota periodística sobre avances en robótica aplicada al agro que incluye el desarrollo del proyecto y su enfoque para reducir el impacto de las malezas con herramientas tecnológicas más sustentables.
Se presentó un prototipo del actuador tornillo y el robot cuadrupedo Pipe en Ingeniería de Muetra 2025.
Proyecto que busca diseñar e implementar una solución para estimar la cantidad y la calidad de la cosecha de frutos de pepita, con especial atención a la manzana. Esta estimación es importante para asegurar una buena coordinación de la logística de la cosecha, el envasado, el procesamiento y la venta del producto final. La navegación autónoma sistemática es fundamental para realizar la estimación, ya que permite recabar información geolocalizada de forma autónoma. Es así que desarrollaremos técnicas económicas y robustas de navegación autónoma para la operación prolongada de robots en ambientes agropecuarios.
El proyecto tiene como objetivo el incremento en el rendimiento de modelos de detección de objetos para la detección de malezas en contextos donde el esfuerzo humano disponible para la elaboración del conjunto de datos es limitado. En particular, consiste en la experimentación de técnicas de aprendizaje activo y aumento de datos vía modelos generativos, el primero con el fin de seleccionar un subconjunto de imágenes altamente representativas para el aprendizaje del modelo, y el segundo para generar nuevas instancias vía modelos difusos y posteriormente autoetiquetarlas utilizando técnicas por canales de colores o modelos de detección.
La navegación semántica busca integrar la percepción visual del entorno para enriquecer tanto el mapa como la planificación de trayectorias. En este contexto se buscará reconocer elementos propios de los entornos agrícolas que puedan resultar un obstáculo para los robots, como alambres, pastos altos, ramas o barro. Además, se explorará la detección de hileras para planificación de trayectorias.
Este trabajo presenta la construcción de un dataset multiespectral para la detección de malezas en cultivos nacionales a partir de capturas realizadas con UAV. Para ello, se seleccionaron imágenes representativas, se definió un flujo reproducible de preprocesamiento radiométrico y geométrico, se establecieron criterios consistentes de etiquetado. Además, se realizó un relevamiento del estado del arte para la detección de malezas con estas imágenes y se entrenaron modelos para validar la calidad del dataset, considerando los trabajos relacionados y comparándolos con ellos.
Los algoritmos de SLAM visual tradicional fallan en entornos agrícolas naturales debido a la falta de geometría clara, la textura repetitiva de las hileras, las oclusiones generadas por el follaje y las extremas variaciones estacionales. Para solucionar estas deficiencias, el SLAM semántico ofrece una vía prometedora, pero requiere identificar marcas semánticas en el entorno que sean consistentes en el tiempo. Esta tesis propone integrar marcas semánticas persistentes, evaluando específicamente la invarianza de la estructura de ramificación primaria de los árboles frente a los cambios de estación, como la transición entre invierno y verano.
Para consultas sobre el proyecto o información adicional comunicarse con las personas responsables o visitar el sitio del grupo que lidera el proyecto.
Gonzalo Tejera Lopez
gtejera@fing.edu.uy
Mercedes Marzoa Tanco
mmarzoa@fing.edu.uy
Grupo MINA
www.fing.edu.uy/inco/grupos/mina/
