italianoenglishfrançaisdeutschespañolportuguês
Idioma
Buscar en este sitio
  • » Artículos técnicos
  • » Servicio de viticultura de precisión para pymes basado en red de sensores IoT

Servicio de viticultura de precisión para pymes basado en red de sensores IoT

Proyecto VINIoT

Rodríguez Silva Tamara (Fundación Empresa-Universidad Gallega FEUGA), Igor Gonçalves (Associação para o Desenvolvimento da Viticultura Duriense -ADVID), Rocío Pena (Centro Tecnológico AIMEN), Javier Portu (Instituto de Ciencias de la Vid y del Vino, Gobierno de La Rioja, CSIC, Universidad de La Rioja), Nicolas Saurin (Institut national de recherche pour l’agriculture, l’alimentation et l’environnement-INRAE), Carole Feilhes (Institut Français de la vigne et du vin-IFV), Emilia Díaz (Axencia Galega da Calidade Alimentaria - AGACAL), Javier J Cancela (Universidade de Santiago de Compostela-USC)

trodriguez@feuga.es

Artículo extraído del poster presentado en Enoforum Italia (18-20 de mayo de 2021)

El proyecto VINIoT persigue la trasformación digital de las empresas del sector vitivinícola, que como el sector agrícola se caracterizan por una baja penetración de Tecnologías de la Información y la Comunicación (TIC).

A nivel técnico, el reto abordado por VINIoT es el acceso en tiempo real a medidas de parámetros de alto interés y valor añadido para la planificación y toma de decisiones dentro del ámbito vitivinícola. Esto es posible a partir de una red de sensores que sigue una arquitectura IoT (Internet of Things) y cuyo gran volumen de información (Big Data) es procesado con técnicas de Inteligencia Artificial para la obtención de estos parámetros.

El proyecto VINIoT propone desarrollar modelos de estimación de parámetros de interés de la vid como el estado hídrico, la maduración de la uva y los síntomas de algunas enfermedades y plagas, a partir de imágenes multiespectrales e integrar estos modelos, junto a distintos sensores, en un sistema de información geográfica (GIS). Basándose en los datos bibliográficos, las pruebas experimentales y la experiencia de los socios del proyecto en el cultivo de viñedos se seleccionarán los sensores a incluir en los nodos IoT que aportarán información y serán parte del sistema.

Diseño del sistema de toma de decisiones para el servicio VINIoT

Para el desarrollo del sistema VINIoT se han establecido los requerimientos desde el punto de vista tecnológico y de la aplicación de este en los diferentes territorios del espacio SUDOE, que comprende el sur de Francia, España y Portugal. También se ha diseñado e implementado la arquitectura hardware/software del servicio que permite desplegarlo en las diferentes fincas piloto y obtener datos del viñedo para desarrollar la tecnología de Inteligencia Artificial.

Selección de sensores e integración de comunicaciones IoT

Dentro de esta actividad, se completó el diseño de la arquitectura de los sistemas IoT. Este diseño incluye las especificaciones y selección de componentes hardware: los sensores, el sistema de comunicaciones inalámbrico, el sistema de almacenamiento, el controlador y fuente de alimentación.

fig1  

Imagen 1. NODOS IoT

Además de las especificaciones hardware también se ha definido el funcionamiento del sistema, incluyendo el protocolo de toma de datos controlado por el microcontrolador y el protocolo de comunicaciones para la recogida de los datos acumulados por los nodos sensores utilizando el nodo receptor.

Diseño del sistema de Información Geográfica (SIG)

El desarrollo del servicio SIG en la nube, permitirá a trabajadores del viñedo visualizar parámetros relevantes del mismo a diferentes escalas. Con las especificaciones del Sistema de Información Geográfico ya definidas, se ha desarrollado el sistema y se ha desplegado una primera versión de prueba del mismo.

La versión de prueba incluye datos artificiales de los sensores y de los tres tipos de usuarios diferentes. En esta versión pueden recuperarse los datos históricos de los sensores en forma de gráficas o espaciales representados en los mapas de las parcelas. Según el tipo de usuario también permite administrar otros perfiles y cargar datos nuevos. Por ahora la versión de prueba sólo se encuentra implementada en castellano, pero se extenderá a gallego, portugués y francés.

Ya en el inicio del proyecto se concretaron una serie de especificaciones que el GIS debía cumplir para resultar una herramienta efectiva en la monitorización de cultivos como se muestran en la siguiente imagen.

fig2

Imagen 2. Sistema de Información Geográfica (SIG)

Desarrollo de algoritmos de IA

Los algoritmos de inteligencia artificial (IA) desarrollados en VINIoT detectarán, a partir de las imágenes de la cámara multiespectral y los sensores IoT, información de alto nivel sobre el estrés hídrico, el estado de maduración de la uva y la presencia de enfermedades. VINIoT ha procesado los datos recogidos durante los ensayos agronómicos realizados en la temporada 2020. Dichos datos están divididos en tres conjuntos distintos:

  • Imágenes multiespectrales en el rango visible de viñas sometidas a estrés hídrico en invernadero junto con los análisis de laboratorio sobre sus niveles de estrés hídrico.
  • Imágenes multiespectrales en el rango visible e infrarrojo de conjuntos de uvas. Estos conjuntos se construyen clasificando las uvas con grado de maduración similar mediante baños densimétricos y después se correlacionan con los análisis de laboratorio.
  •  Imágenes multiespectrales en el rango visible e infrarrojo de hojas de vid sanas e infectadas de diferentes enfermedades.

 

El procesado de estos datos permitirá, en primer lugar, determinar la sensibilidad de las imágenes multiespectrales en cada una de las aplicaciones objetivo (estrés hídrico, maduración de la uva y detección de enfermedades) y permitirá seleccionar las bandas espectrales de interés para cada una de dichas aplicaciones. VINIoT ha realizado un pre procesado de las imágenes capturadas para corregir los niveles de iluminación y se ha segmentado cada una de ellas entre los píxeles de interés: píxeles que contienen partes de la uva o las hojas y los píxeles de fondo, que podemos descartar.

Para cada imagen se ha calculado el valor medio de cada banda espectral (sólo teniendo en cuenta los píxeles de interés) y se ha hecho un estudio de correlación de estos valores con los datos de laboratorio. Estos estudios todavía son provisionales y será necesario continuar con ellos, junto con el entrenamiento de los algoritmos de machine learning.

fig3

Imagen 3. Desarrollo de algoritmos Inteligencia Artificial

Obtención de los modelos de fusión de información

VINIoT ha desarrollado la arquitectura de comunicación con los sensores IoT. En el sistema final el receptor de estos datos será incorporado al sistema multiespectral de visión de manera que se recuperen los datos IoT mientras se adquieren las imágenes multiespectrales.

Entrenamiento e implantación de modelos basados en Machine Learning

El estudio estadístico inicial trata de correlacionar las imágenes hiperespectrales capturadas con los parámetros obtenidos en el laboratorio: para la caracterización de la maduración de la uva( ºBrix y porcentaje de alcohol probable, antocianos, acidez, nitrógeno y pH); para la caracterización del estrés hídrico (temperatura de hojas, transpiración, micro variación del diámetro de tronco, conductancia estomática, contenido de clorofila en hoja, humedad del suelo, potencial hídrico, contenido relativo de agua y contenido de agua) y para la determinación de la incidencia de enfermedades: la correcta identificación de las mismas por un experto y las medidas Dualex®. Estos estudios iniciales muestran una correlación entre los parámetros de laboratorio y las medidas multiespectrales tomadas.

Ensayos agronómicos y validación del sistema en las regiones de la zona SUDOE

Para validar los resultados obtenidos en las anteriores actividades se han realizado ensayos agronómicos para obtener los modelos en que se basará el servicio VINIoT. Estos ensayos se han realizado en las Demofarms situadas en: Galicia (AGACAL, AIMEN), enfermedades, estrés hídrico y maduración; Portugal (ADVID, AIMEN), maduración; Sur de Francia (IFV, INRAE), enfermedades y maduración e (INRAE), estrés hídrico tal y como se representa en la imagen a continuación.

fig4

Imagen 4. Ensayos de campo llevados a cabo en la 1ª anualidad

Campaña de obtención de muestras y caracterización espectral

Los protocolos establecidos para evaluar la madurez de la uva, enfermedades de la vid y estrés hídrico han sido similares en España, Portugal y Francia, para que los resultados sean extrapolables. Para la evaluación de la madurez de la uva, se propuso una metodología utilizando baños densimétricos para lograr así un número significativo de medidas en un corto periodo de tiempo. Para el caso de las enfermedades, se monitorizó su desarrollo a través de la inspección visual de hojas en diferentes estados de afección. Las enfermedades que se evaluaron son el mildiu y oídio, enfermedades comunes en todas las regiones del proyecto, además de la flavescencia dorada, de gran importancia en Francia. Para el estrés hídrico se siguió una metodología utilizando macetas, para controlar mejor el crecimiento de la vid y el agua aportada. De esta forma se ha trabajado con diferentes regímenes hídricos.

  • Evaluación de la madurez de la uva. Para la evaluación de la madurez y con la finalidad de evitar la pérdida de información debido a la heterogeneidad de las bayas, se ha decidido trabajar el primer año 2020 a escala de las bayas en el laboratorio. Si las correlaciones entre las muestras y las imágenes obtenidas funcionan, el segundo año se podrá trabajar a escala del racimo y después en el viñedo. Se han utilizado diferentes variedades de uvas blancas y tintas. La adquisición de la fotografía espectral, así como los análisis de referencia para medir la madurez se realizaron en el laboratorio después de recolectar las bayas.

 

fig5

Imagen 5. Ensayos de campo para la caracterización del estado de maduración de la uva

  • Evaluación del estado sanitario de la planta relacionado a dos enfermedades: flavescencia dorada o mildiu.
    - Flavescencia Dorada: Para detectar esta enfermedad, el primer año, el plan experimental ha consistido en trabajar a escala de hojas en laboratorio. En la campaña 2020 se recogieron más de 200 hojas (variedades tintas y blancas). Las hojas fueron muestreadas en el campo por un experto que las identificó y clasificó el mismo día. Las hojas se mantuvieron en una nevera hasta que llegaron al laboratorio. Las hojas se dividieron en tres categorías: con síntomas de FD, con otros síntomas y sanas. Antes de tomar la imagen con la camera espectral, se realizó una medición con el sensor Dualex®, que mide la tasa de clorofila y flavonol en la hoja (se expresa mediante el índice NBI). La imagen con la camera espectral fue tomada el mismo día. Para la campaña 2021, el trabajo se realizará en el campo. 50 fotos de hojas de cada categoría se tomarán directamente in situ.
    - Se ha trabajado con la variedad Albariño que es sensible al mildiu. Se recogieron 500 hojas que se dividieron en 5 categorías: síntomas de mildiu, síntomas de Black rot, síntomas de oídio, otras fisiopatías y sin patología, con 100 hojas de cada. En este primer año, los síntomas de mildiu eran claramente visibles y desarrollados (no hay detección temprana).
fig6

Imagen 6. Ensayos de campo para la caracterización del estado sanitario

 

  • Evaluación del estrés hídrico. Para poder trabajar con una variabilidad importante en cuanto al estado hídrico, se ha trabajado el primer año con plantas en maceta bajo 2 regímenes hídricos diferenciados. Se han realizado por INRAE, en el Campus Supagro de Montpellier, y por AGACAL en EVEGA. Las macetas de INRAE tienen una capacidad de 9 litros, mientras que en AGACAL fueron de 20 litros. Las instalaciones han permitido la supervisión del riego y de las condiciones micro-climáticas.

 

fig7

Imagen 7. Ensayos de campo para la caracterización de estrés hídrico

Para evaluar el estrés hídrico, el primer año, el plan experimental consistió en trabajar a escala de las hojas. El objetivo era establecer correlaciones entre varios indicadores del estado hídrico de la vid y las adquisiciones espectrales realizadas por la cámara a partir de hojas de las vides. Para obtener diferentes niveles de estrés, se utilizaron plantas en macetas sometidas a dos tratamientos de riego: sin déficit hídrico y con déficit hídrico (6 macetas de cada modalidad para 3 variedades: Merlot, Riesling y Syrah-INRAE; 72 macetas por modalidad en las variedades: Mencía y Treixadura-AGACAL). Los experimentos de 2020 se realizaron durante 3 sesiones de una semana, con nuevas macetas cada vez. El control del nivel de riego se hizo con el peso de las macetas. Los parámetros agronómicos medidos fueron: micro variación del diámetro del tronco, transpiración determinada con balanza y estimación del área foliar, temperatura de hojas con imagen térmica, conductancia estomática, potencial hídrico y humedad del suelo. Las adquisiciones espectrales han sido: una imagen para cada maceta o grupo de macetas y para cada modalidad de riego.

Los resultados mostraron diferencias de estrés obtenido en cada sesión: moderado para la primera y de gran intensidad para los otros 2 (evolución del agua en el suelo). Los parámetros agronómicos del estrés hídrico (transpiración, conductancia estomática, potencial hídrico) parecen una excelente base de datos, aunque compleja (depende de variedad y tratamiento). Las imágenes térmicas se utilizaron como información adicional de los datos espectrales. Los análisis de imágenes se realizaron con una segmentación para seleccionar los píxeles de vegetación para tener una base de datos espectral. La exploración de datos con espectros y variables específicas usa modelos de regresión sobre variables agronómicas (PLS). Los resultados son alentadores con espectros sin pretratamiento; se sigue trabajando en el pretratamiento para obtener la mejor predicción posible del estrés hídrico. Quedan por obtener los resultados finales de los análisis de imágenes espectrales, que están en curso.

Para 2021, se realizarán campañas de medidas en España, Francia y Portugal a escala de la planta en el campo. Se trabajará con 2 variedades y 2 tratamientos por variedad (con y sin riego) en cada país, hasta 15 plantas por tratamiento. Los parámetros agronómicos serán: potencial hídrico de hoja antes del amanecer, contenido de agua de las hojas, estado de desarrollo de ápice, temperatura de las hojas, conductancia estomática y, adicionalmente en Francia, medida de micro variación del diámetro del tronco, y en AGACAL, sensores de suelo de contenido de agua, temperatura y conductividad eléctrica.

Actividades de transferencia y transversales

Las actividades de transferencia entre las que se encuentran las visitas a bodegas, celebración de workshops y formación para bodegas y expertos se desarrollarán en los últimos meses de proyecto. El vídeo presentación del proyecto puede verse aquí: VINIOT (subtitles Spanish) - YouTube

El proyecto cuenta además con un punto de encuentro para todas las partes interesadas (bodegas, consejos reguladores, proveedores de tecnología, etc.) conocido como VINIoT HUB. La actividad del HUB está siendo inicialmente desarrollada por los socios del proyecto e incluirá actividades abiertas a otros centros y empresas interesadas en el servicio VINIoT o en servicios similares para la digitalización de las PYME del sector. VINIoT HUB desarrollará su actividad como parte el proyecto y aunque se centra en un sector muy específico, como es el de la viticultura, se crea también con el objetivo de contribuir, a través de sus herramientas y el conocimiento resultantes, a los Digital Innovation HUBs (DIH) regionales o de ámbito europeo ya existentes en áreas afines (alimentación, agro y tecnología). Link de acceso a VINIoT HUB: HUB – VINIoT

Relacionado con el VINIoT HUB se encuentra el servicio Helpdesk que se configura como el principal canal de comunicación con los diferentes agentes interesados en el proyecto VINIoT, tanto para las consultas relacionadas propiamente con las actividades del proyecto como para proporcionar soporte al VINIoT HUB en las consultas realizadas por los usuarios. Link de acceso a helpdesk: Helpdesk – VINIoT

El proyecto VINIoT ha sido financiado en la 3a Convocatoria Interreg-SUDOE 2018 (Axis2) y cuenta con un presupuesto de1.418.705 euros. Arrancó en octubre de 2019 y finalizará en marzo de 2023, tras una prórroga de 6 meses aprobada debido a las circunstancias COVID. Participan un total de 8 beneficiarios, 3 de ellos de Galicia, 1 de La Rioja, 1 de Portugal y 3 de Francia: Asociación de Investigación Metalúrgica del Noroeste (AIMEN), líder del proyecto, Axencia Galega da Calidade Alimentaria (AGACAL), Fundación Empresa-Universidad Gallega (FEUGA), Gobierno de La Rioja, Associação para o Desenvolvimento da Viticultura Duriense (ADVID), Institut Français de la Vigne et du Vin (IFV) y el Institut National de Recherche en Sciences et Technologies (IRSTEA) y Institut National de la Recherche Agronomique (INRA Montpellier) fusionados estos dos últimos en el Institut National de Recherche pour l’Agriculture, l’Alimentation et l’Environnement (INRAE).

Para saber más acerca de VINIoT, formar parte del VINIoT HUB o conocer la evolución y resultados del proyecto puede acceder a www.viniot.eu o escribir a info@viniot.eu

Publicado el 07/06/2021
Imágenes
Páginas Relacionadas
© Todos los derechos reservados
NIF-IVA: IT01286830334
ISSN 1826-1590
powered by Infonet Srl Piacenza
Política de privacidad
Esta página web usa las cookies necesarias para los objetivos descritos en la política de cookies. Si desea más información lea la polítca de cookies. Cerrando esta ventana, desplazándose a través de esta página, al pinchar en un enlace o continuando la navegación de otra forma, permites el uso de cookies.
Más informaciónOK

- A +
ExecTime : 1,375