Aprendizaje en tiempo real habilitado por 5G en agricultura sostenible: Un estudio sobre la remolacha azucarera

Nos complace anunciar la finalización con éxito del proyecto “Redes 5G como facilitador del aprendizaje en tiempo real en la agricultura sostenible”, que contó con el apoyo financiero parcial del Ministerio de Asuntos Económicos, Industria, Acción Climática y Energía del Estado de Renania del Norte-Westfalia.

Esta iniciativa representa un importante paso adelante en la exploración del potencial transformador de la tecnología 5G en la agricultura, específicamente orientada a mejorar los aspectos ecológicos, económicos y sostenibles del cultivo de la remolacha azucarera.

Aprovechó la baja latencia de la tecnología 5G para integrar sistemas avanzados de tecnología de la información en tiempo real, lo que permitió respuestas inmediatas a los datos de sensores y de posición dentro de plazos predefinidos.

Enfoque del proyecto y colaboración

En colaboración con socios de HSHL y con el apoyo de Pfeifer & Langen, el proyecto se centró en el estudio del ciclo de vida completo del cultivo de remolacha azucarera en los campos de los socios. Su objetivo era demostrar cómo la tecnología 5G podría ser un catalizador tecnológico clave en el sector agrícola de Renania del Norte-Westfalia, mostrando su potencial para impulsar la innovación y la eficiencia.

Función de GeoPard Agriculture

GeoPard Agriculture desempeñó un papel crucial en la definición e implementación de aspectos clave del proyecto, incluyendo escenarios para la detección, el monitoreo y la predicción de la producción de plantas. Desarrollamos un prototipo de sistema de IA adaptado al entorno agrícola 5G, ejecutamos modelos en una infraestructura en la nube y creamos una aplicación móvil para la interacción en tiempo real con los modelos basados en la nube.

Integración tecnológica

Se implementaron métodos de inteligencia artificial (IA) mediante una sólida infraestructura en la nube con alta capacidad de procesamiento. Los algoritmos de IA clasificaron las plantas en tiempo real durante cada cruce y monitorearon su crecimiento a lo largo de todo su ciclo de vida, eliminando la necesidad de visitas de campo innecesarias únicamente para la recopilación de datos.

Este avance permitió la aplicación precisa de fertilizantes y productos fitosanitarios, ajustando dinámicamente las dosis de aplicación durante los cruces mediante algoritmos de aprendizaje automático.

Despliegue de vehículos no tripulados

Además, el proyecto aprovechó la baja latencia de la tecnología 5G para desplegar vehículos no tripulados destinados al monitoreo de plantas y la recopilación de datos. Estos vehículos desempeñaron un papel crucial en la obtención de información en tiempo real y en la optimización de las prácticas agrícolas.

Resultados del proyecto: Mejora de la producción de remolacha azucarera con tecnología 5G.

El proyecto demostró cómo la tecnología 5G podría transformar el sector agrícola de Renania del Norte-Westfalia mediante el análisis del ciclo de vida completo del cultivo de remolacha azucarera, destacando las mejoras sustanciales facilitadas por dicha tecnología. Sin embargo, para demostrar eficazmente los resultados del proyecto, los investigadores utilizaron paquetes de trabajo que incluían diferentes escenarios e infraestructuras.

Definición de escenario considerando la infraestructura existente de geodatos y aprendizaje automático

El proyecto demostró cómo los procesos tradicionales dentro del ciclo de vida de la producción de remolacha azucarera podrían mejorarse mediante la integración de la tecnología 5G. Los objetivos clave incluyeron:

• Se desarrollaron escenarios listos para su implementación para el reconocimiento, la monitorización y la predicción de la producción de las plantas.
• Requisitos técnicos establecidos necesarios para el despliegue exitoso de estos escenarios.
• Se identificaron y evaluaron los indicadores ecológicos y económicos pertinentes para valorar el valor añadido que aporta la red 5G.

Esta fase puso de relieve el compromiso del proyecto con la integración de tecnología de vanguardia en las prácticas agrícolas existentes. Esta arquitectura aprovechó la conectividad de alta velocidad de la red 5G para facilitar la recopilación y el procesamiento de datos en tiempo real entre los dispositivos periféricos y la nube. La infraestructura en la nube proporcionó recursos esenciales para el entrenamiento y la implementación de modelos de IA a gran escala, mientras que la plataforma de IA ofreció herramientas robustas para el desarrollo y la implementación de modelos. La capa de aplicación presentó a los usuarios finales información útil derivada de los modelos de IA, mejorando así su capacidad de toma de decisiones.

Aprendizaje automático e inteligencia artificial en el contexto de la 5G

El objetivo de esta parte era adaptar los sistemas de aprendizaje automático e inteligencia artificial existentes para que se ajustaran a los escenarios descritos anteriormente, optimizándolos en consecuencia. Los objetivos clave incluían:

• Definir los objetivos del sistema y desarrollar la arquitectura del sistema.
• Se recopilaron datos de referencia para el entrenamiento y la validación de modelos de IA.
• Se creó y anotó una base de datos adecuada, diseñada específicamente para la identificación y el seguimiento de plantas.
• Integración perfecta de modelos de IA en la infraestructura de red 5G.

En esta fase, los dispositivos periféricos equipados con tarjetas SIM de telefonía móvil que utilizan tecnología 5G desempeñaron un papel crucial. Se monitorizaron de cerca los indicadores clave de rendimiento (KPI), como la latencia o la latencia de extremo a extremo (E2E). Las mediciones incluyeron la evaluación de la fiabilidad y la disponibilidad de los paquetes de datos recibidos con precisión, así como el análisis de las tasas de datos de los usuarios y las tasas de datos máximas.

Además, se hicieron suposiciones basadas en la transmisión de video en resolución UHD en formato MP4, a través del Protocolo de Control de Transmisión (TCP). Entre las posibles soluciones exploradas se incluyeron la optimización con imágenes individuales en lugar de flujos de video continuos, la realización de optimizaciones básicas directamente en los dispositivos periféricos y la implementación de técnicas de cuantificación de modelos para mejorar la eficiencia.

Infraestructura en la nube y servicios de AWS

El proyecto dependió en gran medida de la infraestructura en la nube, aprovechando servicios de AWS como Lambda, SageMaker, S3, CloudWatch y RDS, que desempeñaron un papel fundamental al proporcionar los recursos necesarios para entrenar e implementar modelos de IA.

AWS Lambda se utilizó para la gestión eficiente de instancias y el servicio de aplicaciones, mientras que AWS SageMaker facilitó la creación de sólidas canalizaciones de aprendizaje automático. Las soluciones de almacenamiento como S3, CloudWatch y RDS fueron esenciales para almacenar conjuntos de datos y registros cruciales para el funcionamiento de los modelos de aprendizaje automático y las redes neuronales.

Por lo tanto, esta infraestructura respaldó las capacidades de procesamiento de datos en tiempo real que posibilitaba la red 5G.

Latencia de la red 5G

Las redes 5G se diseñaron para lograr una latencia ultrabaja, que suele oscilar entre 1 y 10 milisegundos. Esta latencia refleja el tiempo que tardan los datos en viajar entre los dispositivos móviles y los servidores de AWS a través de la red 5G. Las capacidades de procesamiento específicas de cada dispositivo, como la velocidad de captura y procesamiento de fotos en teléfonos inteligentes con procesadores de alto rendimiento, también influyen en la latencia.

La velocidad de subida de datos en la red 5G y el tamaño de la foto influyeron en los tiempos de transferencia de datos a AWS. AWS también contribuyó a la latencia con tiempos de procesamiento para tareas como la detección y segmentación basadas en redes neuronales, que variaron según la complejidad del algoritmo y la eficiencia del servicio de AWS. Tras el procesamiento, los resultados se descargaron a los dispositivos móviles, dependiendo de la velocidad de descarga de 5G y del tamaño de los datos resultantes.

Reconocimiento de plantas mediante IA

En el ámbito del reconocimiento de plantas, los procesos impulsados por IA implicaron la creación de una base de datos exhaustiva de imágenes de plantas para entrenar algoritmos basados en redes neuronales. Estos algoritmos se entrenaron para distinguir las especies de remolacha azucarera de otras plantas mediante el reconocimiento de características específicas de cada tipo de planta, como la forma de las hojas, el color de las flores, etc.

En este contexto, por reconocimiento de plantas nos referimos a la tarea de detección de malas hierbas y segmentación de plantas de remolacha azucarera.

• Detección de malezas

Para la detección de malezas, el proyecto empleó MobileNet-v3, entrenado con amplias técnicas de aumento de datos y muestreo ponderado. Este modelo alcanzó una impresionante precisión de 0,984 y un AUC de 0,998.

• Segmentación de la remolacha azucarera

Para las tareas de segmentación, se emplearon modelos como YOLACT, ResNeSt, SOLO y U-net para delimitar con precisión muestras individuales de remolacha azucarera dentro de las imágenes. Posteriormente, se seleccionó el modelo más eficiente en función de diferentes criterios: velocidad, tiempo de inferencia, etc. Los datos para la segmentación se obtuvieron de imágenes RGB capturadas por drones, las cuales se redimensionaron y anotaron para fines de entrenamiento y validación.

Las tareas de segmentación implicaron la creación de máscaras que delimitaran con precisión los límites de las plantas. Este método redujo el esfuerzo de anotación manual y optimizó la eficiencia. Al priorizar el etiquetado de muestras complejas, el rendimiento del modelo mejoró significativamente. Las estrategias de reentrenamiento iterativo y muestreo de incertidumbre demostraron su eficacia, logrando tasas de precisión de segmentación superiores a 98% en diversas etapas de crecimiento.

• Evaluación del modelo

El modelo se entrenó con un riguroso aumento de datos. Se evaluó utilizando diferentes métricas, incluyendo la Intersección sobre Unión (IoU). El análisis de inferencia del modelo construido, realizado en un subconjunto del conjunto de datos 'plant seeds v2', demostró una precisión de 81%. El tiempo de inferencia fue de aproximadamente 320 milisegundos tras un período de inicialización de 7 segundos, necesario solo una vez por sesión.

En el monitoreo de plantas mediante inteligencia artificial (IA), cámaras y sensores capturaron datos vitales que fueron analizados por algoritmos de aprendizaje automático e IA. Este análisis desempeñó un papel crucial en la evaluación de la salud de las plantas, identificando estrés, enfermedades u otros factores que afectan su crecimiento.

Las aplicaciones abarcaron desde la optimización de la productividad agrícola hasta la monitorización de ecosistemas naturales como los bosques, el apoyo a los esfuerzos de conservación y la mejora de la comprensión de los impactos ambientales.

Detección de objetos en la monitorización de plantas

La siguiente fase tras la segmentación de las plantas de remolacha azucarera es la detección de objetos, cuyo objetivo es comprender las características específicas de cada planta en términos de salud, crecimiento y otros factores. Para la detección de objetos en el monitoreo de plantas, se emplearon modelos avanzados como YOLOv4, MobileNetV2 y VGG-19 con mecanismos de atención. Estos modelos analizaron imágenes segmentadas de remolachas azucareras para detectar áreas específicas de estrés y enfermedades, lo que permitió intervenciones precisas y dirigidas.

El proyecto logró avances significativos en la detección de enfermedades, entrenando los modelos ResNet-18 y ResNet-34 previamente entrenados en ImageNet. Estos modelos demostraron una impresionante precisión de 0,88 en la identificación de enfermedades que afectan a las plantas de remolacha azucarera, con un área bajo la curva ROC (AUC) de 0,898. Los modelos mostraron una alta confianza predictiva, distinguiendo con precisión entre plantas enfermas y sanas.

El proyecto empleó un enfoque sistemático para la detección de enfermedades, segmentando las imágenes en parches estandarizados. Estos parches fueron anotados minuciosamente mediante herramientas interactivas para identificar las áreas afectadas por enfermedades. La detección de objetos mejoró aún más la precisión al delimitar los recuadros alrededor de las plantas, facilitando así un monitoreo preciso de su salud.

Predicción de la producción vegetal

En el ámbito de la predicción de la producción vegetal, los modelos de IA aprovecharon datos ambientales como las condiciones meteorológicas y los parámetros del suelo para pronosticar el rendimiento de los cultivos. Se emplearon modelos de regresión como Isolation Forest, Regresión Lineal y Regresión Ridge.

Estos modelos integraron características numéricas extraídas de las regiones delimitadas junto con datos del suelo para optimizar la aplicación de fertilizantes.

Consideraciones para la implementación del modelo

Se evaluaron las estrategias de despliegue de los modelos desarrollados tanto para dispositivos periféricos como para plataformas en la nube. El despliegue de modelos en dispositivos periféricos ofreció ventajas como la reducción de costes y una menor latencia.

Sin embargo, este enfoque podría comprometer la precisión potencial debido a las limitaciones del hardware. Por otro lado, la implementación en la nube ofrecía tiempos de inferencia más rápidos mediante GPU de alto rendimiento, pero podría generar costos adicionales y dependía de la conectividad a internet, lo que podría introducir latencia en la comunicación.

Análisis comparativo con la red 5G

Un análisis comparativo demostró que el uso de una red 5G mejoró significativamente la segmentación de la remolacha azucarera en comparación con las configuraciones tradicionales 4G/WiFi. Esta mejora se evidenció en la reducción de los tiempos promedio de configuración y de red, lo que resalta las ganancias de eficiencia logradas gracias a la tecnología 5G.

• Proceso de preparación de datos

El proceso de preparación de datos incluyó la recopilación de conjuntos de datos de plantas sanas y enfermas, la detección de malezas, la identificación de las etapas de crecimiento y la extracción de imágenes de vídeo 4K sin procesar. Se utilizaron técnicas como la ecualización del histograma, el filtrado de imágenes y la transformación del espacio de color HSV para preparar los datos para el análisis.

Se recolectaron muestras de hojas sanas de remolacha azucarera y muestras enfermas, como hojas de maíz con mancha gris. La extracción de características de la enfermedad implicó separar la hoja del fondo, redimensionar, transformar y fusionar las imágenes para crear muestras realistas para el análisis.

• Ciclo de aprendizaje activo

Se inició un ciclo de aprendizaje activo con datos sin etiquetar, que se utilizaron para entrenar modelos de detección. Estos modelos generaron consultas de anotación que fueron procesadas por anotadores humanos, lo que permitió refinar continuamente la precisión del modelo mediante ciclos iterativos de entrenamiento y anotación.

• Anotación de datos mediante un modelo de base multimodal

Para abordar el desafío de la escasez de datos etiquetados, el proyecto aprovechó modelos base robustos para generar anotaciones de referencia. En particular, CLIP, un modelo basado en transformadores desarrollado por OpenAI y entrenado con un vasto conjunto de datos de más de 400 millones de pares imagen-texto, desempeñó un papel fundamental.

Utilizando Vision Transformers como base, CLIP logró una notable precisión de 95% en conjuntos de validación, clasificando eficientemente las imágenes en clases distintas, como remolacha azucarera y maleza, con alta precisión.

• Tecnología de drones para la recopilación de datos

Una de las tecnologías clave empleadas en el proyecto fue el uso de drones equipados con cámaras RGB que capturaban vídeo en 4K. Estos drones proporcionaron imágenes detalladas (resolución de 3840×2160) para su análisis.

El preprocesamiento de estas imágenes mejoró significativamente la precisión del modelo, observándose mejoras notables en modelos como VGGNet (+38,52%), ResNet50 (+21,14%), DenseNet121 (+7,53%) y MobileNet (+6,6%).

Se utilizaron técnicas como la ecualización del histograma para mejorar el contraste de la imagen, mientras que la transformación al espacio de color HSV ayudó a enfatizar las áreas de las plantas y a resaltar las características relevantes.

• Generación de datos sintéticos

Para abordar el problema de la escasez de datos de imagen, se generaron conjuntos de datos sintéticos mediante aprendizaje automático e inteligencia artificial. La recopilación de datos se realizó utilizando drones que volaban a alturas de entre 1 y 4 metros y a velocidades de 2 m/s o más, empleando cámaras RGB.

También se utilizaron otros vehículos, como tractores, para la recolección de datos. Esta generación de datos sintéticos resultó particularmente beneficiosa para la detección de enfermedades de la remolacha azucarera.

Conclusión

El proyecto “Redes 5G como facilitadoras del aprendizaje en tiempo real en la agricultura sostenible” demostró con éxito cómo la tecnología 5G puede mejorar los aspectos ecológicos, económicos y de sostenibilidad del cultivo de remolacha azucarera. Mediante la colaboración con HSHL y Pfeifer & Langen, el proyecto integró la recopilación de datos en tiempo real y el análisis basado en inteligencia artificial, lo que mejoró la eficiencia y redujo las visitas innecesarias al campo.

Una red 5G dedicada en el campus permitió la aplicación precisa de fertilizantes y productos fitosanitarios. Geopard Agriculture desempeñó un papel crucial en el desarrollo de escenarios de detección y monitorización de plantas, así como en la creación de un prototipo de sistema de aprendizaje automático para el entorno agrícola 5G. El éxito del proyecto puso de manifiesto la importancia de las tecnologías avanzadas en la agricultura sostenible, destacando el potencial del 5G para impulsar la innovación y la eficiencia.