La densidad y composición de las malas hierbas, en muchos casos, no es uniforme dentro del campo y por ello surge el planteamiento de su manejo localizado y cómo afrontarlo de manera efectiva

En este artículo vamos a describir brevemente dos proyectos, uno a nivel europeo -DACWeed- y otro a nivel nacional -Weedinator-. Dos ejemplos de cómo crear y poner en marcha soluciones innovadoras en el control de mala hierba en cultivos como cereal, olivar, tomate o remolacha.

La agricultura de precisión se ha incrementado sustancialmente en la última década, se han incorporado instrumentación, sensores y actuadores en la maquinaria agrícola que han permitido el aumento de los rendimientos en las cosechas y la reducción de los insumos. Esto ha significado además una ayuda significativa para el sector en las tareas de supervisión y ejecución de prácticas agrícolas a fin de superar los retos que plantea la perspectiva de alimentar a la población de manera eficaz y sostenible de acuerdo a las nuevas políticas comunitarias (Yong Li et al., 2022).

Además, la agricultura de precisión, cuyo crecimiento se ha visto reforzado por los extraordinarios avances tecnológicos, ha fusionado los mundos físico, digital y biológico. Las innovaciones tecnológicas, con gran proyección en este campo, debido a la disponibilidad de nuevas herramientas de adquisición de imágenes y al aumento de la capacidad de procesamiento de los dispositivos informáticos, están mejorando los sistemas de aplicación de manera significativa. Todos estos equipos permiten la aplicación diferenciada y la reducción de insumos.

En la agricultura europea y española, el principal problema asociado a los cultivos es la protección de cultivos, y particularmente el control de la mala hierba. Un control localizado ya sea de manera química o mecánica puede reducir de manera importante el impacto de esta tarea. La densidad y composición de las malas hierbas, en muchos casos, no es uniforme dentro del campo y ante este punto de partida surge el planteamiento de su manejo localizado y cómo afrontarlo de manera efectiva. Así mismo, en la agricultura actual se presentan como un gran oportunidad los sistemas de control de mala hierba alternativos a la aplicación química que se convierten en algo esencial para la agricultura ecológica, ámbito en el que son muy valorados.

En este contexto y en este artículo vamos a describir brevemente dos proyectos, uno a nivel europeo -DACWeed- y otro a nivel nacional -Weedinator-. Dos ejemplos de como crear y poner en marcha soluciones innovadoras en el control de mala hierba en cultivos como cereal, olivar, tomate o remolacha.

Este primer proyecto, aún en desarrollo, está trabajando sobre tres pilares conectados para realizar un tratamiento efectivo de precisión: 1) Un conjunto de sensores (cámara comerciales) para discriminar y detectar la posición de cada una de las plantas individuales dentro del campo. 2) Un sistema de apoyo a la toma de decisiones capaz de decidir el tratamiento en tiempo real y, 3) un implemento que puede ser controlado mediante tecnología ISOBUS para la aplicación del producto fitosanitario. El conjunto logra convertirse en un sistema inteligente y de un coste abordable para el sector y durante este año (2022) se está demostrando su efectividad en diferentes zonas agrícolas en España.

El sistema de detección de malas hierbas está formado por cámaras digitales en combinación con inteligencia artificial para la detección y clasificación de las malas hierbas en tiempo real. Una vez cuantificado qué cultivos y malas hierbas existen, un sistema de apoyo a las decisiones puede decidir si es económicamente viable realizar el tratamiento en esa área evaluada. Todo el proceso se realiza en décimas de segundo realizando así un tratamiento de precisión. En los años 2020 y 2021 el proyecto EIT-DACWEED dio los primeros pasos de integración de este sistema de visión artificial y redes neuronales en pulverizadores comerciales del mercado con ISOBUS. Los avances conseguidos en estos años han sido presentados en diversos foros de referencia en el sector agroalimentario: Agritechnica, FIMA, FEVAL, revistas del sector, etc.

Una de las claves del éxito del sistema se basa en los algoritmos de inteligencia artificial que sirven como una entrada de información directa al equipo de actuación. Cuando sabemos qué plantas y malas hierbas existen en el área observada, un sistema de apoyo a las decisiones puede decidir si es económicamente viable ejecutar el tratamiento en la zona o no, basándose en la densidad y el tipo de mala hierba. A partir de esta información, el pulverizador hidráulico puede actuar o no. Para llegar a este punto fue necesario el desarrollo de diversos sistemas que tienen que integrarse y llegar a comunicarse de manera efectiva entre ellos.

En primer lugar, en este proyecto se han desarrollado diversos sistemas de detección basados en redes neuronales capaces de funcionar en distintos cultivos y malas hierbas en diferentes estadios de desarrollo (Figura 1). Con este fin se desarrollaron dos sistemas de detección basados en aprendizaje profundo para la detección y clasificación automática de especies de malas hierbas presentes en diferentes cultivos. El primer paso fue la toma de imágenes, para ello se establecieron dos grupos de cultivos: cereales y hortícolas. La adquisición de imágenes para el primer grupo tuvo lugar en la estación experimental Ihinger Hof (Renningen, Alemania). Se estudiaron doce parcelas de 12,5 × 1 m, cada una de ellas sembrada con las semillas de las respectivas especies vegetales. Se utilizaron tres cultivos, maíz (Zea mays L.), patata (Solanum tuberosum L.) y girasol (Helianthus annuus L.), junto con nueve especies de malas hierbas, Alopecurus myosuroides Huds, Amaranthus retroflexus L., Avena fatua L., Chenopodium album L., Lamium purpureum L., Matricaria chamomila L., Setaria spp., Solanum nigrum L. y Stellaria media Vill.

En el caso de cultivos hortícolas se trabajó sobre parcelas comerciales de tomate en Extremadura siendo las especies presentes Solanum nigrum L., Setaria viridis (L.) Beauv, Cynodon dactilon L, y Cyperus rotundus L. Se tomaron un total de 105.000 imágenes que fueron etiquetadas de manera manual en concordancia con la planta detectada. Para cada imagen, se creó una imagen binaria, utilizando el índice Excess Green–Red para separar el material vegetal del suelo. Cada conjunto de píxeles conectados de este procedimiento consistía en una región de interés que debía ser alimentada en la red neuronal CNNs (Convolutional Neural Networks) y que fue separada y preetiquetada. En una primera aproximación se utilizaron VGG16, ResNet–50, y Xception. Las imágenes de entrenamiento consistían en imágenes con material vegetal con una sola especie por imagen. Las imágenes se separaron en 3 conjuntos distintos para el entrenamiento, la validación y la prueba de las redes. Se utilizó el 70% de las imágenes para el entrenamiento de las redes, el 15% del conjunto de datos para la validación realizada en cada entrenamiento, mientras que el 15% restante consistió en nuestro subconjunto de pruebas, que se utilizó para las mediciones finales y la demostración de los resultados obtenidos. La experimentación se realizó con Keras 2.4.3 en Python 3.6.8 con el backend de TensorFlow (2.3.0). Estos sistemas son la entrada para el control de aperos de tratamiento localizado a través del sistema de toma de decisiones.

Figura 1. Sistema de clasificación de malas hierbas basado en redes neuronales.

Hasta la fecha actual, las soluciones de tratamiento localizado proporcionadas por las marcas comerciales son sistemas en los que todos los componentes (sensores, identificación, pulverizadores) son conjuntos cerrados sin modularidad, lo que lleva a inversiones costosas e implementos de objetivo único. Este proyecto europeo de la Universidad de Hohenheim, Agrosap, el Centro de Automática y Robótica y Grupo AN está tratando de resolver el problema de manera ligeramente diferente. El conjunto de detección y actuación logró unos valores de precisión de entre el 77% y el 98% en la detección y discriminación de las especies de malas hierbas. A esto se une un sistema de toma de decisiones que permite decidir en cada momento si pulverizar esa mala hierba a través de un control independiente de cada boquilla o tramo del pulverizador. Ambos algoritmos tanto en cereal como en hortícola, crean una salida estándar y reconocida por el protocolo ISOBUS para el control de maquinaria agrícola. Los pulverizadores hidráulicos actuales, en muchos casos, están divididos en secciones, y el tractor puede controlar cada sector de forma independiente. El sistema identifica las malas hierbas y decide si es necesario o no pulverizar, y al igual que el control de mapas que se hace actualmente en los pulverizadores con ISOBUS, utiliza la misma tecnología para comunicar al pulverizador si debe activarse o no. Todos los nuevos productos de pulverización que existen o aparecerán en el mercado que estén preparados para ISOBUS pueden ser utilizados, independientemente del fabricante o del tractor utilizado.

En este último año el sistema ha sido ampliamente mejorado, ya que cada módulo se desarrolla independientemente para trabajar bajo el estándar ISOBUS, así, cualquier nuevo implemento que pueda realizar aplicaciones localizadas y que esté preparado para ISOBUS puede ser incluido y utilizado en el sistema. Eso también puede significar que los implementos puedan realizar control mecánico de las malas hierbas. Por ejemplo, en ausencia de malas hierbas, se puede aplicar un control mecánico de malas hierbas menos intensivo. Con ISOBUS se puede regular el ángulo o la profundidad de un implemento mecánico, ajustando, por ejemplo, la intensidad del tratamiento. En el año 2022 se ha mejorado el sistema y ahora el sistema de percepción y toma de decisiones aúnan un control de pulverizadores y sistemas para el tratamiento mecánico de malas hierbas. El sistema de tratamiento mecánico se basa en una grada de púas flexibles capaz de modificar el ángulo de incidencia de estas en base al sistema de percepción (Figura 2). El apero de 6 metros se contrala en base a cuatro secciones independientes que modifican el ángulo de ataque sobre un sistema hidráulico conectado al tractor. El actuador controla el ángulo en base a válvulas de solenoide que con una actuación lineal se transforma en una modificación directa del ángulo de incidencia de éstas sobre el suelo. Así, el sistema es capaz de actuar de manera diferencial para el tratamiento mecánico de malas hierbas en cereal utilizando el mismo sistema de percepción desarrollado para el sistema de pulverización. De este modo se consigue un sistema de percepción que puede implementarse sobre cualquier apero de tratamiento, ya sea de tratamiento físico o químico, para el control efectivo de malas hierbas. Del mismo modo el control a través de ISOBUS facilita su uso y la interoperabilidad del conjunto.

El proyecto DACWEED ofrece una solución adaptada a múltiples cultivos, malas hierbas y sistemas de tratamiento, manteniendo la filosofía de su fácil implementación y bajo coste para el agricultor.

En un contexto más local, en España hemos trabajado en un proyecto para tratar de controlar la malas hierbas mediante erosión con gránulos impulsados por aire, procedentes de residuos agrícolas. El objetivo principal de este proyecto ha sido evaluar las posibilidades de eliminación de las malas hierbas situadas en la línea de cultivo, mediante la erosión causada por el impacto de gránulos impulsados por aire, procedentes de 7 residuos agrícolas (hueso de uva, cascara de almendra, estiércol de gallinácea, zuro de maíz, cascara de nuez, hueso de aceituna y harina de soja). Para ellos se ha generado un conocimiento científico acerca de los fenómenos físicos de interacción entre los gránulos impulsados por aire y las plantas de malas hierbas, lo que permitirá la modelización dinámica y cinemática del proceso de aplicación. Tanto la caracterización como la eficacia del residuo se determinaron en ensayos de laboratorio sobre malas hierbas comunes al tomate, remolacha azucarera y olivar: Amaranthus retroflexus L., Chenopodium murale L. y Centaurea cyanus L., respectivamente. En el 88% de los ensayos realizados, la mala hierba fue controlada en más del 80%. Demostramos que la mejor combinación de control, dosis y proporción rendimiento de residuos fue proporcionada por el zuro de maíz y el hueso de aceituna triturado, con tasas de control del 93% y el 90%, respectivamente.

Así mismo, se ha creado una plataforma de laboratorio para detectar plantas y determinar con precisión milimétrica la distancia entre ellas. Esta plataforma, como se puede ver en la Figura 3, se encuentra formada por sensores fotoeléctricos infrarrojos (880nm), encoder óptico, microcontrolador Arduino y plantas artificiales 3D. En cada uno de los tres ensayos realizados en laboratorio el 100% de los tallos fueron detectados con el sensor infrarrojo. Con estos resultados rápidamente se puede llegar a pensar que abordar algún tipo de actuación entre plantas en una misma línea de cultivo o algún tratamiento sobre la planta sería una actuación muy simple y precisa. No olvidemos que en condiciones de laboratorio no se encuentran obstáculos en la línea de cultivo, situación que dista de lo que podemos encontrar en campo.

Después de tener todo a punto a nivel de laboratorio, se diseñó y desarrolló una plataforma de monitorización en condiciones reales de campo. Esta plataforma ha posibilitado la validación de los sensores ópticos y encoder. Ha sido una estructura de empuje en la parte delantera del tractor con la flexibilidad necesaria para colocar y ajustar los sensores en condiciones de campo (Figura 4). Para la adquisición de datos con la plataforma sensórica utilizada en campo, el conjunto de salidas de sensores conectaron a un módulo digital bidireccional modelo (NI 9403, National Intruments Co., Austin, Texas, EE UU). Por su parte la señal del encoder se conectó a un módulo de entradas digitales (NI 9411, National Intruments Co., Austin, Texas, EE UU). Finalmente, ambos módulos se integraron en un NI cRIO 9004 (NI 9411, National Instruments Co., Austin, Texas, EE UU) cuyos datos se registraron utilizando el programa Labview de National Instruments Co.

Esto ha supuesto un sistema de discriminación entre planta y mala hierba excelente, que unido al equipo neumático de aplicación de residuos agrícolas ha permitido un uso más eficiente y efectivo de estos recursos para el control de la mala hierba.

En cuanto al sistema de actuación comentado inicialmente, se desarrolló una metodología basada en imágenes de cámara de alta velocidad (slow motion camera) para determinar y evaluar la energía (cinética y potencial) de la partícula necesaria para ejercer diferentes niveles de daños a las malas hierbas específicas de forma aislada y selectivamente cuando crecen junto a plantas de cultivo (Pérez-Ruiz et al., 2018). Se ha llegado a detalles que nos permiten conocer mucho mejor el comportamiento del residuo y se han comparado su capacidad de abrasión con materiales de referencia, así como el consumo del residuo para evaluar los aspectos económicos de la aplicación (Figura 5).

Figura 5. Consumo medio de cada residuo en una pasada de campo recorrida a 1,6 km/h en los tres escenarios de cultivos comentados.

Agradecimientos

Este trabajo ha sido posible gracias al proyecto Weedinator (Referencia: AGL2013-46343-R) financiado por el Ministerio de Economía, Industria y Competitividad y al proyecto Europeo “DACWEED: Detection and Actuation system for WEED management” financiado por la Comisión Europea a través de la EIT-Food.

Bibliografía

Yong Li, Zhiqiang Guo, Feng Shuang, Man Zhang and Xiuhua Li. Key technologies of machine vision for weeding robots: A review and benchmark. Computers and Electronics in Agriculture, Volume 196, 2022, 106880, ISSN 0168-1699, https://doi.org/10.1016/j.compag.2022.106880.

Pérez-Ruiz, M., Brenes, R., Urbano, J.M. et al. Agricultural residues are efficient abrasive tools for weed control. Agron. Sustain. Dev. 38, 18 (2018). https://doi.org/10.1007/s13593-018-0494-6