1. Introducción

Las tecnologías de la Industria 4.0 y en especial la evolución del IoT son una oportunidad para solucionar diferentes problemas en el sector agrícola (Khanna & Kaur, 2019). A diferencia de los sectores industriales, el enfoque heurístico todavía domina en la agricultura para la solución de problemas (Lu, 2017), y muchas de sus actividades de monitoreo requieren de una inspección visual para poder entregar diagnósticos acertados (Tian et al., 2020). Estas inspecciones están a cargo de productores, técnicos e ingenieros que necesitan desplazarse a sitios apartados y muchas veces de difícil acceso, por lo que la asistencia técnica puede verse limitada.

Uno de los principales beneficios desde el punto de vista técnico que ofrece el IoT en la agricultura, es poder acceder a datos que se encuentran en sitios remotos en cuestión de segundos, así como a diferentes ubicaciones en muy corto tiempo, lo que hace posible una asistencia técnica más oportuna y eficiente, muchas veces necesaria en cuestiones que no dan espera como, por ejemplo, la identificación rápida de plagas o enfermedades (Khanna & Kaur, 2019). Así mismo, la colección de grandes cantidades de datos, conocidos como Big Data, permiten aplicar herramientas del campo de la analítica para anticiparse a posibles problemas, lo que a su vez se traduce en ahorro de costos y tiempo, y puede hacer más competitivos tanto a pequeños como grandes productores agrícolas (Elijah et al., 2018; Kamilaris et al., 2017; Pham & Stack, 2018).

Por otro lado, existen retos aún no resueltos en la implementación de plataformas de IoT para la agricultura. En la última década la mayoría de las soluciones de IoT en entornos rurales, se han enfocado en la captura de datos principalmente climáticos y de condiciones del suelo, provenientes de sensores analógicos y digitales (Terence & Purushothaman, 2020). Si bien, esto es importante debido al avance que se ha dado a la agricultura, aún falta camino por recorrer en la integración de sensores visuales (cámaras), que permitan potencializar aún más el uso de las plataformas de IoT, como ya se viene dando en otros dominios (Campobello & Segreto, 2019; Feng et al., 2019; Lee & Kim, 2018; Liu et al., 2018). Esto redundaría también en beneficios para la agroindustria en general, que vería como la administración de empresas del sector, tendría más información confiable para la toma de decisiones, no solamente en las actividades de campo, sino, por ejemplo, en el manejo adecuado de inventarios, gestión del personal, prevención de fraudes, minimización de los desperdicios y, sobre todo, minimización del impacto ambiental (Elijah et al., 2018).

2. Problemática actual

Una de las principales limitantes para la adopción del IoT en ambientes rurales es la falta de conectividad, debido a la escasez de redes celulares en áreas remotas (Ji et al., 2019). Existen tecnologías alternativas a este tipo de redes, las cuales son conocidas como LPWAN (Low Power Wide Area Network) que tienen un bajo consumo de energía (las baterías de los dispositivos pueden durar hasta diez años) y un alcance entre los 10 y los 40 km en áreas abiertas (Islam et al., 2020). Sin embargo, esta tecnología tiene un limitado ancho de banda, que puede variar entre 100 bps a 50 kbps, lo que restringe la cantidad de datos que se transmiten (Islam et al., 2020; Mekki et al., 2018). Las tecnologías de comunicación más representativas de la familia LPWAN son: LoRa (Long Range), LoRaWAN (Long Range Wide Area Network) y Sigfox (Sigfox S.A.) (Carlsson et al., 2018; Islam et al., 2020; Mekki et al., 2018).

Debido a esto, la mayoría de las plataformas IoT de AI, se limitan a la captura de datos muy livianos y relativamente fáciles de transmitir, como los provenientes de sensores analógicos o digitales que miden variables espacio-temporales (temperatura, velocidad del viento, humedad del suelo, humedad relativa, etc.), (Codeluppi et al., 2020). Esto limita la posibilidad de transferir datos más pesados, desde el punto de vista computacional, como imágenes digitales y videos (Islam et al., 2020).

Por otro lado, los desarrollos de soluciones basadas en visión artificial para agricultura vienen en aumento en los últimos años como, por ejemplo, detección de plagas y enfermedades (Pathan & Chakole, 2019; Zhong et al., 2018), identificación de malezas (Sa et al., 2018), conteo de frutos y de árboles (Apolo-Apolo et al., 2020; De Luna et al., 2020; Koc-San et al., 2018), detección de estados fenológicos (Yalcin, 2018), entre otras aplicaciones, a través de imágenes digitales capturadas con diferentes dispositivos como UAVs (Unmanned Aerial Vehicles), teléfonos móviles o cámaras de dispositivos IoT.

Desafortunadamente, al tratar de integrar estas soluciones de visión artificial, a las plataformas IoT, se generan cuellos de botella, debido a las condiciones limitadas de las tecnologías de transmisión o hardware usadas en algunos entornos, lo cual genera errores en los datos transmitidos, alta latencia, altos consumos de energía y en algunos casos la interrupción de las transmisiones por completo (Jankowski et al., 2020). En la literatura, se plantean dos (2) desafíos que permanecen abiertos en la comunidad científica y tecnológica que realiza investigación y desarrollo en las posibles soluciones en dominios similares al rural (Jankowski et al., 2020):

3. Solución propuesta

Este trabajo de investigación tuvo como objetivo principal aportar en la solución de este tipo de problemas, al proponer un método de clasificación de imágenes integrado a una plataforma de agricultura inteligente, que busca reducir el costo computacional del proceso de clasificación de imágenes digitales, aplicado en un contexto rural con dispositivos que tienen limitaciones en su capacidad de cómputo local.

Lo primero fue seleccionar una arquitectura de referencia. Esta arquitectura se basó en el uso de la tecnología de comunicación LoRa (Long Range), especialmente creada para trabajar en contextos con limitaciones de conectividad y energía. Luego se seleccionó el caso de aplicación de la clasificación de enfermedades en plantas, por ser uno de los que más impacto tiene en la economía y productividad de los agricultores, para lo cual se generó un conjunto de datos de imágenes digitales, basado en el conjunto de datos (dataset) PlantVillage, uno de los más usados en investigaciones de este tipo. Posteriormente, con base en los resultados que otros investigadores han obtenido en el entrenamiento de algoritmos de Inteligencia Artificial con el conjunto de datos seleccionado, se hizo una preselección de métodos basados en redes neuronales convolucionales que combinan dos características: (1) un desempeño con exactitud en la clasificación por encima del 90 % y (2) un numero de parámetros de entrenamiento menor de cinco millones. El método seleccionado fue MobileNet, con los siguientes resultados de desempeño: exactitud (Accuracy) del 96,31 %, precisión (Precision) del 95,55 %, sensibilidad (Recall) del 95,93 %, F1-score del 95,72 %, con 3.762.056 de parámetros y un tamaño de 28,7 MB. Finalmente, el método seleccionado fue evaluado en tres escenarios de reducción de su arquitectura, para conocer su robustez al tener que adaptarse a condiciones con limitadas capacidades de cómputo. Para la evaluación se implementó una plataforma de agricultura inteligente en condiciones reales de trabajo, en dos (2) unidades productivas de cultivo de tomate bajo invernadero, obteniendo métricas por encima del 90 % en todos los casos.

4. Lugar de implementación

Las unidades productivas piloto están ubicadas en la vereda San José de la Montaña, corregimiento de San Cristóbal, municipio de Medellín, a una altura de 2200 msnm (Fig. 1).

Fuente: elaboración propia.

Figura 1 Ubicación del sitio seleccionado para la implementación. Nota. Panorámica general de la zona de estudio: 1: Invernadero No.1; 2: Invernadero No.2; N-A: Nodo tipo A; N-B: Nodo tipo B; M-E: Estación meteorológica. Coordenadas: 6°17’42.68’’ N 75°39’25.99’’ O 

Para el estudio se seleccionaron dos productores de hortalizas que tienen invernaderos, instalados desde el año 2020. Estos invernaderos son tipo semi-arco, cada uno de 300 m². El invernadero no.1 de 15m de ancho x 20m de longitud, y el invernadero no.2 de 10m de ancho x 30m de longitud, con sistema de riego por goteo, cortinas para ventilación de acción manual y 6m de altura máxima. Los cultivos principales son tomate, cebolla y cilantro, estos cultivos se alternan de acuerdo con la programación de los productores y la época del año.

Arquitectura de la plataforma de agricultura inteligente implementada.

La plataforma prototipo para la implementación del método de clasificación de imágenes seleccionado se construyó con base en la arquitectura de referencia LoRaFARM (Codeluppi et al., 2020). A continuación, la Fig. 2, muestra el esquema general de la arquitectura implementada.

Fuente: elaboración propia.

Figura 2 Arquitectura de la plataforma de Agricultura Inteligente implementada 

5. Descripción del proceso de clasificación de imágenes en la Plataforma

La implementación del método de clasificación de imágenes, empleando técnicas de Inteligencia Artificial a una plataforma de agricultura inteligente, propuesto en este trabajo se implementó en los nodos tipo B (N-B) y tiene de tres etapas que se describen en la Fig. 3.

Fuente: elaboración propia.

Figura 3 Esquema general del proceso de clasificación de imágenes en la plataforma IoT 

Pre-procesamiento de las imágenes. El preprocesamiento de las imágenes se llevó a cabo en tres subetapas: (1) la captura de las imágenes, que se realizó con un módulo independiente creado para tal fin como se muestra en la Fig. 4. (2) Segmentación, en la cual mediante un algoritmo de clasificación Bayesiana se retira el color del fondo. Y (3) el recorte de la imagen donde se seleccionan solamente los segmentos en los que la hoja ocupa un 80% de pixeles o más.

Clasificación. En esta etapa los recortes con el 80% o más de pixeles pertenecientes a la hoja pasan por la red neuronal MobileNet y son clasificados de acuerdo con el entrenamiento de la red. La clase que es almacenada es la que presenta un mayor porcentaje de probabilidad según el algoritmo de clasificación, y por lo menos uno de los recortes que presente la enfermedad es suficiente para almacenar los datos como pertenecientes a una de las enfermedades. Esto debido a que algunos recortes pueden quedar con tejido sano y ser clasificados en la clase Health.

Envío de datos y almacenamiento en la Nube. Luego de ser clasificada la imagen, la aplicación creada para la integración envía el dato directamente desde el microprocesador RaspberryPi al Gateway y este a su vez la envía al servidor donde es almacenado. Es importante aclarar que no se envían imágenes a través de la red y los recortes son eliminados cada cierto periodo de tiempo que puede ser programado de acuerdo con el volumen de imágenes que se puedan obtener. Esto es importante porque se debe cuidar que la memoria del microprocesador no se consuma con el almacenamiento de imágenes.

Fuente: elaboración propia.

Figura 4 Módulo para la captura de imágenes 

6. Conclusiones y trabajo futuro

Con este trabajo y las oportunidades de servicios de acceso libre, como las plataformas de IoT con disponibilidad de servidores y de integraciones de software gratuito, se puede afirmar que es posible integrar a pequeños agricultores con limitaciones de conectividad que deseen ser parte de la transformación digital por la que atraviesa la actividad agropecuaria en todo el mundo. Las oportunidades de gestión que se encuentran al ser parte de esta transformación son muy diversas e impulsan a los agricultores tradicionales a cambiar sus métodos para ser más eficientes y competitivos.

La propuesta planteada en este trabajo constituye un primer paso en la implementación de una plataforma de agricultura inteligente para pequeños productores. Los resultados obtenidos muestran el éxito de la implementación, sin embargo, hay tareas que se pueden desarrollar para trabajos futuros: