Un investigador de la Universidad de La Rioja (España) ha desarrollado nuevas herramientas para la estimación temprana, rápida y precisa de la cantidad de uva que producirá un viñedo. El proyecto utiliza tecnologías basadas en Inteligencia Artificial, análisis de imagen y sensores RGB, para realizar cinco estudios sobre visibilidad de órganos, variabilidad fenológica, iluminación, preparación de imágenes y rasgos morfológicos relevantes.
En España, concretamente en la Universidad de La Rioja, una tesis doctoral calificada de sobresaliente «cum laude» con mención internacional tuvo como objetivo desarrollar nuevas herramientas basadas en inteligencia artificial, análisis de imagen y sensores RGB que permitan una estimación temprana, rápida y precisa de la cantidad de uva que producirá un viñedo.
La tesis titulada ‘Estimación de la producción de uva en viñedos comerciales mediante inteligencia artificial, análisis de imagen y uso de sensores RGB’ fue realizada por Rubén Íñiguez Mangado y desarrollada en el Departamento de Agricultura y Alimentación, dentro del Grupo de Investigación Televitis, en colaboración con el Instituto de Ciencias de la Vid y del Vino (ICVV). Fue dirigida por Manuel Javier Tardáguila Laso, catedrático de Viticultura de Precisión de la Universidad de La Rioja, y Salvador Gutiérrez Salcedo, profesor Titular de Ciencias de la Computación de la Universidad de Granada.
Enfoque no invasivo, rápido y objetivo
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.
Para resolver este problema, Rubén Íñiguez ha desarrollado un conjunto de herramientas que permiten estimar los componentes de la producción de forma rápida y precisa, directamente en campo y bajo condiciones reales de trabajo.
La investigación aborda uno de los grandes retos de la viticultura: prever cuánta uva va a producir un viñedo con la suficiente antelación como para tomar decisiones relevantes sobre su manejo. Para ello, utiliza inteligencia artificial, análisis de imagen y sensores RGB, un enfoque no invasivo, rápido y objetivo que permite superar estas limitaciones en condiciones reales de campo.
A lo largo de cinco estudios complementarios, la tesis analiza cómo mejorar la detección automática de racimos en diferentes situaciones, desde viñedos con abundante vegetación que dificulta la visibilidad hasta distintas fases del desarrollo de la vid, así como diversas condiciones de iluminación, tanto con luz natural como con iluminación artificial nocturna.
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 oclusión, aunque se lograron resultados robustos con densidades moderadas cuando los modelos se entrenaron con conjuntos de datos heterogéneos y escenarios diversos. Se demostró que es posible estimar sin desfoliación —una ventaja para mantener el equilibrio de la vid— y que la diversidad del conjunto de datos (data set) es clave para generalizar entre parcelas, campañas y estructuras. La detección mediante imágenes se mostró como una alternativa viable al conteo manual y toleró la variación entre sitios.
El segundo estudio evaluó cómo la etapa fenológica y la iluminación condicionan la detección temprana de inflorescencias y racimos. El estado de fruit-set con luz diurna fue el más favorable para identificar racimos, mientras que la iluminación artificial nocturna mejoró la visibilidad de inflorescencias en fases tempranas como pre-bloom. La combinación de imágenes diurnas y nocturnas amplió la cobertura y permitió establecer pautas para programar la adquisición de imágenes equilibrando velocidad 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 E-L 13–E-L 15 (de racimo visible a racimo separado) resultó ser la más confiable, cuando los racimos están desarrollados pero aún poco ocultos por las hojas. SmartROI superó de forma consistente a los enfoques raw y de ventana deslizante, evidenciando que la preparación de la imagen tiene más peso que el reescalado. Asimismo, aumentar la resolución aportó beneficios marginales frente a una mejor selección de regiones de interés.
El cuarto estudio abordó la clasificación automática de estados fenológicos con imágenes RGB convencionales. YOLOv11-Classification ofreció el mejor equilibrio entre precisión y eficiencia, mientras que ResNet-34 y Vision Transformer fueron competitivos con mayor costo o métricas menos equilibradas. La clasificación automática, esencial porque la estimación del rendimiento depende del estado de desarrollo, respalda riego, manejo de la canopia, prevención de enfermedades y fenotipificación a escala, con decisiones casi en tiempo real e integración en plataformas móviles.
El quinto estudio investigó la estimación del peso de los racimos mediante análisis morfológico de imágenes RGB bajo regímenes de riego contrastados. Descriptores como el área proyectada, el perímetro y la compacidad fueron predictores sólidos del peso y mostraron una alta correlación con las mediciones manuales. La estimación no destructiva del peso complementa el conteo para ofrecer una visión más completa del rendimiento. Los modelos de regresión confirmaron el valor predictivo de los rasgos obtenidos mediante imagen y, aunque el estado hídrico influyó en la morfología y el peso, la principal aportación fue demostrar la utilidad de la morfometría como un enfoque simple, interpretable y escalable.
En resumen, esta tesis demuestra que el rendimiento del viñedo puede estimarse con mayor antelación, objetividad y escala mediante la integración de inteligencia artificial, visión por computador y sensado RGB proximal.
«Este trabajo demuestra que la Inteligencia Artificial puede convertirse en una herramienta clave para una viticultura más eficiente y sostenible, ofreciendo a agricultores y bodegas estimaciones tempranas y fiables del rendimiento, fundamentales para planificar la vendimia, ajustar manejos y optimizar recursos», concluye Rubén Íñiguez.
Ver tesis completa (en inglés), en ÉSTE LINK
Fuente: Universidad de La Rioja (España)
