Resolución de Premios Cátedra Telefónica 2019 – Convocatoria abierta a Proyectos IoT para el Sector Agroganadero

La comisión de evaluación de la convocatoria de la Cátedra Telefónica de la UEx correspondiente la Convocatoria abierta a Proyecto IoT para el sector agroganadero (fecha 10 de septiembre de 2019) ha decidido proponer los siguientes candidatos a dichos premios:

Proyecto: Asistente Virtual para el Agricultor (Agrotente)

Agrotente es una herramienta que, mediante una App móvil, una web y un conjunto de sensores instalados en cada explotación, permite al agricultor registrar los tratamientos y trabajos que realiza sobre cada parcela, y mediante distintos procesos periódicos provee al agricultor de asesoramiento en la toma de decisiones respecto a su explotación (épocas de riego, aplicación de fitosanitarios, etc.), y además dentro de un proceso de compra de nuevas explotaciones, permite al comprador conocer las acciones que ha realizado el vendedor sobre la misma parcela, pudiendo conocer el estado de esta antes de la compra con información fiable y, gracias a la tecnología blockchain, el sistema puede asegurar que la información no ha sido adulterada y que no va a sufrir ningún tipo de fraude.

Además, Agrotente proporciona a productores información sobre la materia prima con la que van a trabajar gracias al control de trazabilidad ejercido gracias al conocimiento de todos los procesos de cuidado y mantenimiento tanto del fruto como de la tierra.

Si Agrotente logra difundirse entre muchos de los agricultores de una zona, debido al gran volumen de datos que puede generar y a un posterior procesado y análisis con técnicas de Big Data, podrían obtenerse resultados muy valiosos en cuanto a productividad de las explotaciones agrarias, climatología, geografía rural y agraria.

Área de Interés: IoT, Big-Data, Blockchain

Responsable del proyecto: Pedro José Pardo Fernández

Equipo integrante del proyecto.

  • Carlos Esperilla Mesias

 

Proyecto: Detección de malezas para modulación en el uso de herbicidas basada en Deep Learning

El uso indiscriminado de herbicidas y, sobre todo, de ciertas materias activas como el glifosato, está siendo motivo de gran debate a nivel mundial y aunque su uso se ha prorrogado en agricultura en el seno de la Comunidad Económica Europea, se debería intentar reducir la cantidad aplicada. Una de las posibilidades para reducir este consumo sería la modulación en el momento de la aplicación del herbicida en función de la presencia de maleza o malas hierbas sobre el cultivo.

Los sistemas de aplicación de herbicidas son grandes máquinas dotadas de tecnología GPS que disponen de barras de aplicación de hasta 20 metros en las que las boquillas pulverizadoras pueden ser activadas de manera individual y automática. La combinación de estas tecnologías permite el control de pasadas, evitar los solapes entre las mismas y la modulación del caudal de las boquillas en función de la velocidad de la maquinaria, en definitiva, se pretende la aplicación de la dosis correcta en cada punto de la parcela. En este proyecto se pretende dar un paso más, y dotar al pulverizador de un sistema de detección de objetos basado en Deep Learning que en tiempo real detecte la presencia y la densidad de maleza sobre el cultivo y controle la apertura de las boquillas en función de la misma.

Para el entrenamiento del algoritmo de machine learning utilizaremos computación de altas prestaciones disponibles en el grupo de investigación CAPI (Clasificación de Patrones y Análisis de Imágenes). En la fase de inferencia utilizaremos un sistema de bajo coste basado en el uso de una raspberry pi a la que conectaremos un Neural Compute Stick 2 para acelerar dicho proceso y conseguir un funcionamiento en tiempo real. Al margen de los detalles técnicos, quizás el aspecto más importante en un trabajo de estas características, es la elaboración del conjunto de prototipos que nos permitirá el entrenamiento del sistema y que consistirá en conjuntos de imágenes con y sin la presencia de aquellas malezas que queremos detectar. El sistema se aplicará en campos de cereal (cebada o trigo) en las primeras etapas de crecimiento del cultivo.

Área de Interés: IoT, detección de malezas, deep learning

Responsable del proyecto: Miguel Macías Macías

Equipo integrante del proyecto.

  • Héctor Sánchez Santamaría
  • Carlos Javier García Orellana
  • Jesús Salguero Serrat

 

Proyecto: AgroPredict

A pesar de que la agricultura, es uno de los sectores más reacio y conservadores a la hora de aplicar nuevas tecnologías, el salto tecnológico, es ya, casi una obligación.

Los propietarios agrícolas se tienen que dar cuenta que las explotaciones serán más rentables y tendrán menos gastos si utilizan las nuevas tecnologías.

Por ello proponemos la incorporación de algoritmos y modelos predictivos que haciendo uso de los datos obtenidos por tecnología IoT ya existente en muchas explotaciones agrónomas , se extraigan los datos más relevantes para el agricultor, los transformen en información relevante y predigan cuáles serán los resultados que se obtendrán en cuanto a los productos agrícolas se refiere, para ayudar en la toma de decisiones a los agricultores.

Por todo ello, se presenta AgroPredict, con el que se pretende aunar las ventajas tanto técnicas como económicas de la agricultura de precisión en la producción agrícola, el uso de los datos tomados con tecnología IoT y haciendo uso de técnicas de Machine Learning para predecir cuáles serán los resultados obtenidos dependiendo de las decisiones que se tomen en el presente.

Área de Interés: Agricultura Digital, Machine Learning

Responsable del proyecto: Javier Berrocal Olmeda

Equipo integrante del proyecto.

  • José García Alonso
  • Juan Hernández
  • José Enrique Moguel Márquez

 

Proyecto: Calibrado de Sensores IoT con imágenes de satélite.

La monitorización de las condiciones ambientales, como humedad, temperatura, etc., a las que se ven sometidos los cultivos está cada vez más extendida. Sin embargo, no disponemos de reglas para medir de manera cuantitativa el estado de crecimiento de los cultivos en función de dichos parámetros. Si combinamos la medición de estas condiciones con varios índices como pueden ser el índice de vegetación (NDVI), el índice de «verdor» del terreno (GNDVI) o el índice de clorofila (NDI45), entre otros, podemos hallar patrones de comportamiento de los cultivos y detectar hitos clave en su  producción.

En este proyecto se propone un sistema que integre, por un lado, un sistema de sensorización IoT en plantaciones de diversos cultivos, junto con la descarga y análisis de imágenes hiperespectrales de satélite, donde puedan medirse los índices citados anteriormente. De esta forma podemos hallar correlación entre los parámetros ambientales y el estado de producción del cultivo en cuestión, así como ser capaces de detectar el momento óptimo de siembra y/o recolección.

Para validar los resultados se generará un visualizador web en los que poder comparar tanto los valores de los índices como los valores recogidos por los sensores, y su evolución temporal.

Área de Interés: IoT, Machine Learning, Agricultura Digital, teledetección.

Responsable del proyecto: Álvaro Prieto Ramos

Equipo integrante del proyecto.

  • Adolfo Lozano Tello
  • Julio Acedo Durán
  • Marcos Fernández Sellers

 

Proyecto: HealthyPork. Adaptación de explotaciones agropecuarias al bienestar porcino.

El auge de las tecnologías en los tiempos actuales incide continua y positivamente en la aparición de nuevos dispositivos y sensores, destacando entre ellos aquellos de bajo coste, cuyo objetivo es proporcionar información específica acerca de una temática concreta. Simultáneamente, surgen técnicas para el tratamiento de la ingente cantidad de datos que pueden proporcionar la interconexión de múltiples dispositivos de bajo coste con distintos sensores para captar determinados datos.

Por otro lado, existe el sector agroganadero, concretamente, en la Comunidad Autónoma de Extremadura, de la cual se puede decir que un porcentaje bastante alto de su riqueza proviene de dicho sector. Asimismo, aún siendo el sector que más produce para la comunidad, cierto es que en muchos aspectos aún se siguen utilizando técnicas manuales para controlar el entorno y no se aprovechan al máximo los recursos de los que la tecnología dispone para maximizar el rendimiento del sector. Tal es el caso de las explotaciones agropecuarias que se dedican al criado del cerdo, de las que en muchos casos no sacan el máximo provecho al conocimiento que se posee del animal y no disponen de un sistema que sea capaz de tener en constante monitorización el bienestar porcino, simplemente se limitan de detectar el bienestar de forma manual, con lo que en muchas ocasiones provoca situaciones negativas en el bienestar del animal y que por lo tanto, la calidad del producto resultante también se ve afectada negativamente.

El proyecto HealthyPork ofrece un sistema dirigido por modelos que se apoya en los siguientes componentes:

  • Captación De Datos: Se utilizarán dispositivos IoT (Internet Of Things) en los que se incorporarán sensores para realizar mediciones en tiempo real de temperatura, humedad, ruido etc., Dichos datos serán enviados al componente de Análisis.
  • Análisis De Datos: Este componente será el encargado de la detección de patrones (utilizando técnicas Big Data) que influyan de forma negativa en el bienestar del animal, lanzando avisos al componente de Adaptación para que éste corrija el funcionamiento anómalo del sistema.
  • Adaptación: La función del componente será recibir los avisos y corregir situaciones que afecten negativamente en el bienestar porcino cambiando el funcionamiento de algún elemento de la finca, por ejemplo, encendiendo los aspersores de la finca en el caso de que la temperatura de la explotación supere un umbral de temperatura previamente definido.
  • Monitorización: Será el encargado de visualizar todos los datos que van recorriendo los demás componentes con el fin de proporcionar al usuario información legible en tiempo real mediante una plataforma de visualización.

Área de Interés: IoT, Agricultura Digital.

Responsable del proyecto: Cristina Vicente Chicote

Equipo integrante del proyecto.

  • José Ramón Lozano Pinilla
  • Daniel García Pérez

La obtención final de los premios por parte de los beneficiarios está vinculada al cumplimiento de los requisitos y obligaciones establecidos en la convocatoria.

No hay comentarios aún... ¡Se el primero en dejar una respuesta!