Monitorización continua y autónoma de árboles frutales mediante imagen
DOI:
https://doi.org/10.17979/ja-cea.2026.47.13809Palabras clave:
Reconocimiento de patrones e IA en agricultura, Sensores de software en agricultura, Redes de sensores inalámbricos en agricultura, Sistemas de calificación y evaluación de la calidad, Apoyo a la toma de decisionesResumen
En Agricultura de Precisión, es esencial una monitorización exhaustiva del estado del cultivo para optimizar la toma de decisiones sobre el uso de recursos hídricos y la logística de la cosecha. Sin embargo, la instrumentación y digitalización a gran escala en el sector agrícola depende de soluciones automáticas y de bajo coste. En este trabajo, se aborda la monitorización continua de frutos de mandarina en árbol, por medio de sensores de imagen visible instalados de forma fija. Se emplean técnicas de visión por computador, potenciadas por Inteligencia Artificial, para la segmentación de los frutos y el posterior análisis de sus parámetros visuales. A partir de los resultados de 24 sensores desplegados en campo durante una temporada completa, se demuestra la capacidad de reflejar tendencias en la evolución del crecimiento y maduración de los frutos. Además, se incluye una comparativa con medidas manuales de referencia, en la que se alcanzaron R2 medios de 0.816 y 0.953 para tamaño y color respectivamente.
Referencias
Apolo-Apolo, O.E., Martínez-Guanter, J., Egea, G., Raja, P., Pérez-Ruiz, M., 2020. Deep learning techniques for estimation of the yield and size of citrus fruits using a UAV. Eur. J. Agron. 115, 126030. https://doi.org/10.1016/j.eja.2020.126030
Blanco, V., Torres-Sánchez, R., Blaya-Ros, P.J., Pérez-Pastor, A., Domingo, R., 2019. Vegetative and reproductive response of ‘Prime Giant’ sweet cherry trees to regulated deficit irrigation. Sci. Hortic. (Amsterdam). 249, 478–489. https://doi.org/10.1016/J.SCIENTA.2019.02.016
Carion, N., Gustafson, L., Hu, Y.-T., Debnath, S., Hu, R., Suris, D., Ryali, C., Vasudev Alwala, K., Khedr, H., Huang, A., Lei, J., Ma, T., Guo, B., Kalla, A., Marks, M., Greer, J., Wang, M., Sun, P., Rädle, R., Afouras, T., Mavroudi, E., Xu, K., Wu, T.-H., Zhou, Y., Momeni, L., Hazra, R., Ding, S., Vaze, S., Porcher, F., Li, F., Li, S., Kamath, A., Cheng, H.K., Dollár, P., Ravi, N., Saenko, K., Zhang, P., Feichtenhofer, C., 2025. SAM 3: Segment Anything with Concepts. arxiv.
Chen, M., Chen, Z., Luo, L., Tang, Y., Cheng, J., Wei, H., Wang, J., 2024. Dynamic visual servo control methods for continuous operation of a fruit harvesting robot working throughout an orchard. Comput. Electron. Agric. 219, 108774. https://doi.org/10.1016/J.COMPAG.2024.108774
Gené-Mola, J., Ferrer-Ferrer, M., Gregorio, E., Blok, P.M., Hemming, J., Morros, J.R., Rosell-Polo, J.R., Vilaplana, V., Ruiz-Hidalgo, J., 2023. Looking behind occlusions: A study on amodal segmentation for robust on-tree apple fruit size estimation. Comput. Electron. Agric. 209. https://doi.org/10.1016/j.compag.2023.107854
Giménez-Gallego, J., Martínez-del-Rincon, J., Blaya-Ros, P.J., Navarro-Hellín, H., Navarro, P.J., Torres-Sánchez, R., 2024a. Fruit Monitoring and Harvest Date Prediction Using On-Tree Automatic Image Tracking. IEEE Trans. AgriFood Electron. 3, 56–68. https://doi.org/10.1109/TAFE.2024.3408912
Giménez-Gallego, J., Martinez-del-Rincon, J., González-Teruel, J.D., Navarro-Hellín, H., Navarro, P.J., Torres-Sánchez, R., 2024b. On-tree fruit image segmentation comparing Mask R-CNN and Vision Transformer models. Application in a novel algorithm for pixel-based fruit size estimation. Comput. Electron. Agric. 222, 109077. https://doi.org/10.1016/J.COMPAG.2024.109077
Jocher, G., Qiu, J., 2026. Ultralytics YOLO26 [WWW Document]. URL https://github.com/ultralytics/ultralytics
Liu, S., Ampatzidis, Y., Guan, H., Liu, W., Zhou, C., Choi, D., Lee, W.S., 2026. Agrosense v2: An AI-enabled system for precision orchard sensing and tree-level monitoring. Comput. Electron. Agric. 248, 111797. https://doi.org/10.1016/J.COMPAG.2026.111797
Miranda, J.C., Gené-Mola, J., Zude-Sasse, M., Tsoulias, N., Escolà, A., Arnó, J., Rosell-Polo, J.R., Sanz-Cortiella, R., Martínez-Casasnovas, J.A., Gregorio, E., 2023. Fruit sizing using AI: A review of methods and challenges. Postharvest Biol. Technol. 206, 112587. https://doi.org/10.1016/J.POSTHARVBIO.2023.112587
Piani, M., Scalisi, A., Bortolotti, G., Mengoli, D., Manfrini, L., 2025. Evaluating Orchard Fruit Quality from Monocular and Stereo RGB-D Imagery: A Comparative Study, in: 2025 IEEE International Workshop on Metrology for Agriculture and Forestry (MetroAgriFor). IEEE, pp. 51–56. https://doi.org/10.1109/METROAGRIFOR66923.2025.11512584
Reinhard, E., Ashikhmin, M., Gooch, B., Shirley, P., 2001. Color transfer between images. IEEE Comput. Graph. Appl. 21, 34–41. https://doi.org/10.1109/38.946629
Rizzo, M., Marcuzzo, M., Zangari, A., Gasparetto, A., Albarelli, A., 2023. Fruit ripeness classification: A survey. Artif. Intell. Agric. 7, 44–57. https://doi.org/10.1016/j.aiia.2023.02.004
Roboflow Annotate [WWW Document], n.d. URL https://roboflow.com/annotate (accessed 6.3.26).
Wang, D., Li, C., Song, H., Xiong, H., Liu, C., He, D., 2020. Deep Learning Approach for Apple Edge Detection to Remotely Monitor Apple Growth in Orchards. IEEE Access 8, 26911–26925. https://doi.org/10.1109/ACCESS.2020.2971524
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Jaime Giménez-Gallego, Alejandro Gómez-López, Cristian Rodríguez-García, Honorio Navarro-Hellín, Roque Torres-Sánchez, Fulgencio Soto-Valles
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
