Una reciente tesis doctoral ha desarrollado nuevas herramientas basadas en inteligencia artificial, análisis de imagen y sensores RGB que permiten estimar de forma temprana, rápida y precisa la cantidad de uva que producirá un viñedo. El trabajo ha sido realizado por Rubén Íñiguez Mangado.
Inteligencia artificial para mejorar la estimación del rendimiento
La estimación precisa del rendimiento de la uva es un reto histórico en viticultura, con implicaciones directas en la gestión del viñedo, la planificación de la vendimia, la logística de bodega y la calidad final del vino. Los métodos tradicionales, basados en muestreos manuales y evaluaciones de expertos, son costosos, subjetivos, destructivos y poco escalables, lo que reduce su fiabilidad en viñedos comerciales heterogéneos.
La combinación de inteligencia artificial, visión por computador y sensores proximales RGB ofrece un enfoque no invasivo, rápido y objetivo para superar estas limitaciones en condiciones reales de campo. El objetivo de esta tesis ha sido estimar el rendimiento en viñedos comerciales mediante estas tecnologías, a través de cinco estudios centrados en la visibilidad de los órganos de la vid, la variabilidad fenológica, las condiciones de iluminación, la preparación de imágenes y los rasgos morfológicos relevantes.
Detección de racimos, estados fenológicos y peso de la uva
El primer estudio examinó la detección de racimos bajo distintos niveles de oclusión. La arquitectura de la canopia condicionó el desempeño, con pérdidas de precisión al aumentar la presencia de hojas, aunque se lograron resultados robustos en situaciones de densidad moderada cuando los modelos se entrenaron con conjuntos de datos heterogéneos. El trabajo demuestra que es posible estimar la producción sin recurrir a la desfoliación, una ventaja relevante para mantener el equilibrio de la vid.
El segundo estudio evaluó cómo la etapa fenológica y la iluminación condicionan la detección temprana de inflorescencias y racimos. El estado de cuajado fue el más favorable para identificar racimos con luz diurna, mientras que la iluminación artificial nocturna mejoró la visibilidad de las inflorescencias en fases tempranas, como prefloración. La combinación de imágenes diurnas y nocturnas permitió ampliar la cobertura y definir pautas para programar la adquisición de imágenes equilibrando rapidez y calidad.
El tercer estudio determinó el momento óptimo y la preparación de imagen más adecuada para detectar racimos entre los estados E-L 09 y E-L 38. La ventana comprendida entre E-L 13 y E-L 15, desde racimo visible hasta racimo separado, resultó ser la más fiable, ya que los racimos presentan un desarrollo suficiente y aún están poco ocultos por las hojas. El sistema SmartROI superó de forma consistente a los enfoques basados en imágenes sin procesar o ventanas deslizantes, confirmando que una correcta selección de las regiones de interés es más importante que un simple aumento de la resolución.
El cuarto estudio abordó la clasificación automática de estados fenológicos mediante imágenes RGB convencionales. El modelo YOLOv11-Classification ofreció el mejor equilibrio entre precisión y eficiencia, mientras que ResNet-34 y Vision Transformer mostraron resultados competitivos, aunque con mayor coste computacional o métricas menos equilibradas. Esta clasificación resulta esencial, ya que la estimación del rendimiento depende del estado de desarrollo de la vid y puede facilitar decisiones relacionadas con el riego, el manejo de la canopia, la prevención de enfermedades y la fenotipificación a escala.
El quinto estudio investigó la estimación del peso de los racimos mediante análisis morfológico de imágenes RGB bajo distintos regímenes de riego. Parámetros como el área proyectada, el perímetro y la compacidad se revelaron como predictores sólidos del peso, con una alta correlación respecto a las mediciones manuales. La estimación no destructiva del peso complementa el conteo de racimos y permite obtener una visión más completa del rendimiento del viñedo.
Herramientas prácticas para la viticultura de precisión
En conjunto, la tesis demuestra que el rendimiento puede estimarse de forma más temprana, objetiva y escalable mediante la integración de inteligencia artificial, visión por computador y sensores RGB proximales. Los resultados aportan herramientas de relevancia agronómica como alternativa práctica a los métodos tradicionales de muestreo y aclaran los compromisos existentes entre iluminación, oclusión y preparación de imagen para adaptar la adquisición y el procesamiento a las condiciones de cada viñedo.
La tesis, desarrollada por el Grupo Televitis de la Universidad de La Rioja en colaboración con el ICVV, ha sido dirigida por Manuel Javier Tardáguila Laso y Salvador Gutiérrez Salcedo. Ha obtenido la calificación de sobresaliente cum laude con mención internacional.
