Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
net/publication/267887397
CITATIONS READS
0 305
9 authors, including:
Carlos Zaragoza
Centro de Investigación y Tecnología Agroalimentaria de Aragón
58 PUBLICATIONS 424 CITATIONS
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
Diagnosis and control of salinity and nitrate pollution in Mediterranean irrigated agriculture View project
All content following this page was uploaded by Ramón Aragüés on 07 November 2014.
Resumen
Introducción
Una de las tareas más penosas, onerosas y perennes del agricultor es la eliminación
de las malas hierbas en las parcelas agrícolas. Por ello este proyecto pretende obtener
un sistema de desherbado de precisión a base de medios mecánicos no
contaminantes y que, mediante la tecnología, reduzca la necesidad de la mano de
obra, cada vez más costosa y escasa. Se ha elegido una actividad que requiere
muchas horas de trabajo como es la eliminación de malas hierbas de forma precisa. El
interés por los métodos de escarda de precisión se debe, también, a una demanda
social. La sociedad actual, muy sensibilizada con la protección del medio ambiente,
pide una reducción progresiva del uso de fitosanitarios, en particular aquellos que
causan un mayor impacto ambiental y que ponen en peligro la salud humana por la
posible presencia de residuos de agroquímicos en los alimentos.
Por otra parte, algunas de las transformaciones en riego de los años 50-60 en la
Cuenca Media del Ebro han provocado procesos de salinización y sodificación del
suelo, y cerca del 30% de las 500.000 ha regadas desde la década de los 70 están
afectadas por salinidad y/o sodicidad. Este problema amenaza a actuales y futuras
transformaciones con suelos, riegos o drenajes inapropiados. En el presente proyecto
se pretende automatizar la obtención de mapas de salinidad. Muchos de los
problemas citados podrían haberse pronosticado, mitigado e incluso evitado mediante
1
estudios edafológicos previos de suficiente calidad e intensidad. Se ha elegido un tipo
de actividad pasiva como corresponde a la toma remota de datos para la generación
de información, en forma de mapas, de gran utilidad para la toma de decisiones
posteriores
A continuación se exponen algunos de los ejemplos que se han estudiado y que son
de utilidad para dar una visión general de los antecedentes en robótica agrícola.
Nos encontramos con el robot ROJO (Figura 1), en el que trabajan el Instituto de
Automática Industrial (IAI) del CSIC junto con la Universidad de Málaga, en el que se
plantea un aparato capaz de navegar por un entorno de exteriores parcialmente
conocido y de aplicar productos fitosanitarios. El vehículo utiliza navegación por GPS.
Figura 1: Robot ROJO Figura 2: Tractor robotizado del proyecto de John Deere
2
Otro proyecto interesante es el MECH-WEED Project, financiado por Swedish Board of
Agriculture y por Stiftelsen Lantbruksforskning, que se enmarca en la línea de visión
artificial y reconocimiento de hileras. Utiliza un vehículo autónomo que mediante
cámaras pretende recorrer campos de hileras de cultivo distinguiendo las plantas
cultivadas de las malas hierbas con técnicas de clasificación por reconocimiento de
patrones (Figura 3).
Objetivos
3
a aquellos convencionales que deseen diversificar sus procedimientos de
manejo por cualquier razón (p.ej.: producción integrada, aparición de
resistencias, problemas de contaminación, zonas vulnerables...).
Materiales y métodos
Para poder proceder a la selección del vehículo se deben tener en cuenta los
siguientes criterios:
4
cortacésped (Troy-Bilt, Honda, Sabo, Solo, Stihl, Yard-Man y John Deere), eligiéndose
como plataforma el tractor John Deere modelo LX289.
Figura 5: Minitractor
cortacésped modelo John Deere
LX 289 escogido para el
Proyecto. Foto realizada durante
pruebas de campo en cultivo de
maíz en las instalaciones del
CITA (Montañana, Zaragoza).
Para que dicho vehículo pueda desplazarse autónomamente se tuvieron que realizar
dos adaptaciones mecánicas y fue necesario dotarle de los sistemas de control
avanzados necesarios para recorrer extensiones autónomamente.
La primera adaptación fue relativa a la dirección del vehículo para poder ser operada
sin intervención humana. La dirección es de tipo trapecio guiada mecánicamente por el
eje del volante sin ningún servomecanismo. La solución elegida en este caso fue un
conjunto moto-reductor posicionador con encoder y controladora tipo rotativo debido a
que el ángulo a controlar en el eje del volante es de 1 vuelta a izquierdas y 3/4 de
vuelta a derechas con un par en parado variable según el terreno sobre el que estén
las ruedas, 6N/m en hormigón, 20 N/m en césped y 12N/m en gravilla. El moto-
reductor debe ser capaz de llevar la dirección de la posición central a cada uno de los
extremos en tiempos en torno al segundo para poder realizar las maniobras sin ocupar
demasiado espacio. El conjunto seleccionado de motor más reductor planetario fue el
ofrecido por Maxon.
5
Mediante el control de posición del eje de control de la transmisión y del bloque
hidrostático, se controla el avance y retroceso del vehículo.
Sensores
Los sensores necesarios para la plataforma deberán permitir por un lado controlar la
posición y velocidad del vehículo y por otro lado permitir una percepción del entorno
suficientemente buena como para llevar a cabo la navegación siguiendo las hileras de
los cultivos de maíz, detectando los lindes del campo e incluso detectando obstáculos
por delante del vehículo.
Entorno de simulación
6
El simulador conlleva:
Resultados y Discusión
7
Figura 8: Reconocimiento plantas de cultivo. Figura 9: Interfaz gráfico del entorno de
simulación. Figura 10: Trayectorias generadas por el entorno de simulación.
Respecto a las operaciones de escarda se cuenta con una primera versión del sistema
de reconocimiento y discriminación de malas hierbas basado en un sistema de visión.
Éste permite reconocer las plantas de cultivo, y en base a reglas de reconocimiento de
patrones discrimina las malas hierbas. Para ello se procede, en una primera fase, a
clasificar de acuerdo al color de cada píxel, seleccionado como píxeles “tipo planta”
aquellos que tengan el canal verde más intenso que el resto y procediendo a la
agrupación por objetos y filtrado por tamaño de los menos significativos.
Posteriormente se procede a una clasificación por medidas basadas en descriptores
de forma de objetos utilizando diferentes algoritmos, como árboles de decisión, reglas,
clusters, fuzzy-clusters, redes neuronales, sistemas mixtos etc.
8
En cuanto a la realización de mapas de salinidad se ha propuesto un modelo de
trabajo donde el minitractor es responsable de recorrer autónomamente la extensión
agraria arrastrando un remolque donde se coloca el sensor electromagnético móvil
georreferenciado (SEMG). En el vehículo tractor se instala un sistema de adquisición
de datos (Allegro SX) y un sistema de posicionamiento global (Garmin 101) colocado
en la parte superior del tractor para que visualice de forma apropiada la constelación
de satélites. Este GPS tiene una precisión de unos 5 m, suficientes para nuestros fines
cartográficos. A una distancia de unos tres metros del vehículo se dispone de un trineo
de resina de poliéster reforzada con fibra de vidrio, material no conductor, sobre el que
se fija el SE (Geonics o Dualem). El vehículo recorre la zona de estudio a una
velocidad de unos 8 km/h y toma lecturas cada 5 m aproximadamente.
Conclusiones
Agradecimientos
A Fernando Arrieta, capataz de la Unidad de Sanidad Vegetal del CITA, por su
constante ayuda y profesionalidad, sin las cuales no se podría avanzar en este trabajo.
Bibliografía
9
Billingsley, J. and M. Shoenfish. 1995. Vision guidance of agricultural vehicles.
Autonomous Robots 2:65-76.
Erbach T.C., C.H. Choi, and K. Noh. 1991. Automated guidance for agricultural
tractors. In: Proceeding automated agriculture for the 21st century, ASAE Publication
No. 11-91: 182-191.
Van Straten, G., 2003. Field robot event, Wageningen, 5-6 June 2003. Computers and
Electronics in Agriculture, 42: 51-58.
Van Henten, E.J., Hemming, J., Van Tuijl, B.A.J., Kornet, J.G., Meuleman, J.,
Bontsema, J. and Van Os, E.A., 2002. An Autonomous Robot for Automated
Harvesting of Vegetable Fruit in Greenhouses. Autonomous Robots, 13: 241-258
Woebbecke, D.M., G.E. Meyer (1995): Color indices for weed identification under
various soil, residue, and lighting conditions, Transactions of the ASAE, 38, 259-269.
Debain, C., Khadraoui, D., Berducat, M., Martinet, P. and Bonton, P. (1995). A visual
servoing approach to control agricultural mobile machines. IARP 4th workshop on
robotics in agriculture and food industry, 30-31 October 1995, Toulouse, pp. 117-124.
Klassen, N.D., Wilson, R.J. and Wilson, J.N. (1993). Sensor Development for
Agricultural Vehicle Guidance. SAE-Paper 932427.
10