DOI: https://doi.org/ 10.56712/latam.v7i4.6208
Agrobot IA: robótica avanzada con
visión artificial para la agricultura inteligente y sostenible
Agrobot AI: advanced robotics with artificial vision for smart and sustaina=
ble
agriculture
Carmin Hernández Domínguez
chernandez@itesa.edu.mx
https://orcid.org/=
0000-0002-3319-074X
Instituto Tecnológico Superior del Orie=
nte
del Estado de Hidalgo. Tecnológico Nacional de México
Apan Hidalgo – México
Alicia Guevara Franco
aguevara@itesa.edu.mx
https://orcid.org/=
0000-0002-8885-8241
Instituto Tecnológico Superior del Orie=
nte
del Estado de Hidalgo. Tecnológico Nacional de México
Apan Hidalgo – México
Ma. Isabel Flores Ortega
aguevara@itesa.edu.mx
https://orcid.org/=
0000-0002-9067-7861
Instituto Tecnológico Superior del Orie=
nte
del Estado de Hidalgo. Tecnológico Nacional de México
Apan Hidalgo – México
Artículo
recibido: 05 de marzo de 2026. Aceptado para publicación: 16 de juli=
o de
2026.
Conflictos de Interés: Ninguno que
declarar.
Resumen
La agricultura contemporánea enfrenta el desafío de
satisfacer la creciente demanda global de alimentos bajo criterios de
sostenibilidad y seguridad laboral, el objetivo general de esta
investigación fue desarrollar un robot autónomo, denominado <=
span
class=3DSpellE>AgroBot IA, equipado con visión artificial e
inteligencia artificial para optimizar y automatizar el control de riego, la
fumigación y la selección de frutos en invernaderos. Metodol&=
oacute;gicamente,
el estudio adoptó un enfoque mixto, empleando como técnicas de
recolección de información el registro en bitácoras de
pruebas técnicas de navegación y la aplicación de entr=
evistas
estructuradas a expertos del sector agrícola. Los hallazgos centrales
demostraron que el sistema automatizado permite determinar con precisi&oacu=
te;n
el grado de madurez de los frutos y optimizar la distribución de
recursos hídricos e insumos químicos según las necesid=
ades
específicas de cada planta. Como conclusión, la implementaci&=
oacute;n
de esta tecnología no solo reduce significativamente la
exposición de los trabajadores a agroquímicos y minimiza el
impacto ambiental mediante el ahorro de agua y fertilizantes, sino que
también incrementa el valor comercial del producto final al garantiz=
ar
una cosecha en su punto óptimo. Este desarrollo tecnológico
representa una oportunidad clave para impulsar la investigación e
innovación en México, fortaleciendo de manera efectiva la
vinculación entre el sector académico y la industria agroalim=
entaria
hacia un modelo de producción más eficiente, seguro y
sustentable.
Palabras clave: agricultura inteligente, inteligencia artificial,
automatización, optimización, agricultura sostenible
Abstract
Contemporary agriculture faces the challenge of meeting the growing
global demand for food under sustainability and labor safety criteria. The
general objective of this research was to develop an autonomous robot, name=
d AgroBot IA, equipped with computer vision and artific=
ial
intelligence to optimize and automate irrigation control, spraying, and fru=
it
selection in greenhouses. Methodologically, the study adopted a mixed-method
approach, using engineering test logs and structured interviews with
agricultural sector experts as data collection techniques. The central find=
ings
demonstrated that the automated system accurately determines fruit maturity=
and
optimizes the distribution of water resources and chemical inputs according=
to
the specific needs of each plant. In conclusion, the implementation of this
technology not only significantly reduces worker exposure to agrochemicals =
and
minimizes environmental impact through water and fertilizer savings, but al=
so
increases the commercial value of the final product by ensuring harvest at =
its
optimal point. This technological development represents a key opportunity =
to
boost research and innovation in Mexico, effectively strengthening the link
between the academic sector and the agri-food industry toward a more effici=
ent,
safe, and sustainable production model.
Keywords: smart agriculture, artificial intelligence,
automation, optimization, sustainable agriculture
<= o:p>
<= o:p>
<= o:p>
<= o:p>
<= o:p>
<= o:p>
<= o:p>
<= o:p>
Todo el contenido de LATAM Revista Latinoamerica=
na
de Ciencias Sociales y Humanidades, publicado en este sitio está dis=
ponibles
bajo Licencia Creative Commons.=
![](3D"0765_HernandezDominguez_archivos/image004.jpg")
<=
o:p>
Cómo
citar: Hernández
Domínguez, C., Guevara Franco, A., & Flores Ortega, M. I. (2026)=
. Agrobot IA: robótica avanzada con visión
artificial para la agricultura inteligente y sostenible: Agrobot
AI. LATAM Revista Latinoamericana de Ciencias
Sociales y Humanidades 7 (4), 103 – 123. https://doi.org/<=
span
lang=3Des-419 style=3D'color:black;mso-color-alt:windowtext'>
INTRODUCCIÓN
En un contexto actual alimentar a una
población mundial en constante crecimiento, la escasez de recursos
naturales como el agua y la tierra, y los impactos del cambio climát=
ico,
la adopción de tecnologías avanzadas se presenta como una v&i=
acute;a
crucial para transformar la producción agrícola y hacerla
más eficiente, sostenible y resiliente. La Organización de las
Naciones Unidas para la Alimentación y la Agricultura (FAO, 2017) es=
tima
que la población mundial alcanzará los 9.700 millones de pers=
onas
en 2050, lo que aumentará la demanda de alimentos en un 70%, lo que
implica que para satisfacer esta demanda, ser&aa=
cute;
necesario aumentar la producción agrícola de manera sostenibl=
e,
reduciendo al mismo tiempo el impacto ambiental y garantizando la seguridad=
de
los trabajadores.
Los invernaderos, como entornos de
producción controlada, ofrecen un escenario ideal para la
implementación de soluciones tecnológicas innovadoras. Sin
embargo, las tareas que se realizan en los invernaderos, como el riego, la
fumigación y la selección de frutos, a menudo requieren de ma=
no
de obra intensiva y pueden exponer a los trabajadores a productos
químicos nocivos. En este contexto, la robótica y la intelige=
ncia
artificial (IA) se presentan como herramientas prometedoras para automatiza=
r y
optimizar las operaciones en invernaderos. La robótica permite reali=
zar
tareas repetitivas y peligrosas de manera autónoma, mientras que la =
IA
puede analizar grandes cantidades de datos para tomar decisiones más
precisas y eficientes.
Según la información de la Organ=
ización
de las Naciones Unidas para la Alimentación y la Agricultura, la
automatización en el sector agrícola es una táctica
crucial para asegurar que haya suficiente comida y enfrentar los retos que
surgen del crecimiento demográfico y del cambio climático.
El diseño de un sistema robótico
para detectar frutas maduras, utilizando cámaras RGB y sensores de
profundidad, posibilita la conjunción de inteligencia artificial con
robótica móvil a fin de identificar los frutos adecuadamente y
optimizar los procesos de recolección. Esto es lo que afirma Sa et al
(2016).
Por otra parte, Patel y Kumar (2020) crearon e
implementaron un sistema de visión artificial para clasificar
automáticamente magos mediante técnicas de procesamiento de
imágenes; por eso, concluyeron que la automatización reduce l=
os
errores humanos en la clasificación de frutos.
Bac et al (2014) indican que los robots
agrícolas, así como los equipos equipados con cámaras,
sensores y sistemas de navegación, tienen la habilidad de moverse
independientemente dentro de las cosechas, eludiendo impedimentos y
simplificando el trabajo de control.
El proyecto AgroBot IA
tiene como objetivo la creación de un robot autónomo que cuen=
te
con inteligencia artificial y visión artificial, a fin de mejorar los
procesos en invernaderos. El propósito primordial es establecer un
sistema integrado que facilite la automatización de labores esencial=
es,
como el control del riego, la fumigación y la selección de los
frutos. Esto mejorará la eficiencia, la sostenibilidad y la calidad =
de
lo que se produce. Esta perspectiva tecnológica brinda varios
beneficios. En primer lugar, la salud y seguridad de los trabajadores
mejorará al disminuir su exposición a productos químic=
os
usados en la fumigación y fertilización (FAO, 2018). En segun=
do
término, se perfeccionará la utilización de recursos c=
omo
los fertilizantes y el agua, lo que favorecerá una agricultura
más sustentable (WWAP, 2019). En tercer =
lugar,
se perfeccionará la calidad de los frutos al escoger solo aquellos q=
ue
han llegado a su madurez ideal. Esto resultará en productos que
tendrán más valor para el mercado (Gusta=
vsson
et al., 2011).
El proyecto AgroBot IA
está en línea con las prioridades del sector agrícola =
en
la actualidad, que se enfocan en incrementar la productividad, disminuir co=
stos
y reducir el impacto ambiental. Asimismo, este proyecto es una ocasió=
;n
para fomentar el desarrollo y la investigación de tecnologías=
de
vanguardia en México, consolidando la conexión entre solucion=
es
robóticas e inteligencia artificial en la agricultura a gran escala.
Esto permitirá lograr una producción alimentaria más
segura, sostenible y eficaz. =
Este proyecto ayudará a aumentar el
conocimiento técnico y científico en las áreas de
inteligencia artificial, visión artificial y robótica,
enfocándose en la agricultura. Se prevé la creación de
nuevos conocimientos relacionados con el diseño y la construcci&oacu=
te;n
de robots autónomos para invernaderos, además del empleo de
inteligencia artificial (IA) para determinar cuándo los frutos est&a=
acute;n
listos y mejorar las labores en la agricultura. Otros investigadores y
compañías del sector agrícola tendrán la
posibilidad de emplear los hallazgos de esta investigación para crear
soluciones tecnológicas innovadoras que optimicen la productividad y=
la
sustentabilidad de la producción alimentaria.
A través del proyecto se definió
como objetivo general el desarrollo y la implementación un prototipo
funcional de robot con visión artificial para la detección del
grado de madurez de frutos en invernaderos, capaz de identificar y clasific=
ar
al menos tres tipos de frutos con una precisión mínima del 80=
%,
con el fin de optimizar la selección y recolección automatiza=
da.
Al igual que 4 objetivos específicos:
<=
span
style=3D'mso-list:Ignore'>●<=
span
style=3D'mso-list:Ignore'>●
![](3D"0765_HernandezDominguez_archivos/image006.jpg")
Nota: Diagrama de flujo que ilustra las tres
etapas clave del proyecto: el desarrollo del sistema de visión artificial, el
entrenamiento y validación del modelo de inteligencia artificial, y =
la integración
final en el robot móvil autónomo para la detección en
tiempo real.
Fuente: elaboración propia.
El equipo considerado para el desarrollo del
proyecto son expertos en temas agrícolas, operadores de invernaderos,
frutos seleccionados para el estudio, en el caso de los especialistas
participarán en la validación de de la clasificación d=
el
grado de madurez a través de la comparación de parámet=
ros
como el color, textura y tamaño del fruto.
En cuanto a los instrumentos utilizados se
consideró la recolección de datos en diferentes instrumentos
tecnológicos y documentales. Se llevó una bitácora
técnica donde se anotaron variables como tiempo de procesamiento.
Las fases que desarrollaron en el proyecto fue=
ron
cuatro como se muestra en la imagen 2:
Captura y procesamiento de imágenes: para el estudio=
de
los frutos en sus diferentes etapas de madurez en el invernadero, estudiando
características como el color, tamaño y textura.
Entrenamiento del modelo de inteligencia artificial: En esta etapa a
través de las imágenes capturas se espera entrenar los modelo=
s de
aprendizaje autónomo usando el entrenamiento, validación y
evaluación del desempeño.
Integración robótica: Se diseñó el Robot equip=
ado
de sensores de navegación autónoma para la detección y
clasificación de frutos en tiempo real.
Validación Experimental: Finalmente se realizaron pruebas en
condiciones reales para evaluar la efectividad del sistema.
Figura 2
Diagrama de Bloques Metodológico para la
Validación del Sistema AgroBot IA
![](3D"0765_HernandezDominguez_archivos/image008.jpg")
Nota: Secuencia metodológica de la
investigación, estructurada en cuatro fases: captura y procesamiento=
de
imágenes, entrenamiento del modelo de inteligencia artificial,
integración robótica en el vehículo móvil y la
validación experimental final en el invernadero.
Fuente: elaboración propia.
Los resultados obtenidos se documentaron a
través de imágenes, gráficas y comparaciones
estadísticas para la interpretación. Durante la
realización del proyecto se buscó garantizar la confidenciali=
dad
de los datos recolectados y de uso exclusivo para la investigación,
además el sistema robótico fue instalado y probado en condici=
ones
controladas y seguras evitando en todo momento situaciones que provocaran
daños a la salud.
DESARROLLO
El proyecto AgroBot IA
se fundamenta en la intersección de tres áreas principales de
conocimiento: la agricultura de precisión, la robótica y la
visión artificial, y la inteligencia artificial. A continuació=
;n,
se describen los conceptos y teorías clave de cada una de estas
áreas: 1. Agricultura =
de Precisión La
agricultura de precisión (AP) es un enfoque de gestión
agrícola que utiliza tecnologías de la información y la
comunicación (TIC) para recopilar y analizar datos sobre la variabil=
idad
espacial y temporal de los campos. Esta información se utiliza para
tomar decisiones más precisas y eficientes sobre el riego, la
fertilización, la siembra y otras prácticas agrícolas =
(Gebbers & Adamchuk,2010).
En el contexto del proyecto AgroBot
IA, la AP proporciona el marco conceptual para la gestión eficiente =
de
los recursos en invernaderos. Al utilizar sensores y sistemas de visi&oacut=
e;n
artificial para recopilar datos sobre el estado de las plantas y el ambient=
e,
el robot puede tomar decisiones más precisas sobre el riego y la
fumigación, optimizando el uso de agua y productos químicos. =
2.
Robótica y Visión Artificial La robótica es el campo d=
e la
ingeniería que se ocupa del diseño, construcción,
operación y aplicación de robots. Los robots son máqui=
nas
programables que pueden realizar tareas de forma autónoma o
semiautónoma. La visión artificial es una rama de la IA que se
enfoca en el desarrollo de sistemas que pueden "ver" e interpretar
imágenes digitales (Forsyth & Ponce, 2011). En el proyecto AgroBot IA, la robótica y la visión
artificial se combinan para crear un robot autónomo capaz de realizar
tareas en invernaderos. El robot utiliza su sistema de visión artifi=
cial
para identificar y analizar los frutos, determinar su grado de madurez y to=
mar
decisiones sobre el riego y la fumigación. La visión artifici=
al
se basa en técnicas de procesamiento de imágenes y aprendizaje
automático para extraer información relevante de las
imágenes digitales. En el caso de AgroBot IA,
el sistema de visión artificial debe ser capaz de identificar los
frutos, segmentarlos del fondo y extraer características como el col=
or,
el tamaño y la forma, que están relacionadas con su grado de
madurez. 3. Inteligencia Artificial La inteligencia artificial (IA) es un c=
ampo
de la informática que se enfoca en el desarrollo de sistemas que pue=
den
realizar tareas que normalmente requieren inteligencia humana, como el
aprendizaje, el razonamiento y la toma de decisiones (Russell & Norvig, 2010).
En el proyecto AgroBot IA, la IA se util=
iza
para dos propósitos principales: Detección de madurez de frut=
os:
Se utilizan técnicas de aprendizaje automático para entrenar =
un
modelo que pueda clasificar el grado de madurez de los frutos basánd=
ose
en las características extraídas por el sistema de visi&oacut=
e;n
artificial. Toma de decisiones: Se utilizan algoritmos de IA para tomar
decisiones sobre el riego y la fumigación, optimizando el uso de los
recursos y maximizando la calidad de los frutos. El aprendizaje
automático es una rama de la IA que se enfoca en el desarrollo de
algoritmos que pueden aprender de los datos sin ser programados explí=
;citamente.
En el caso de AgroBot IA, se utilizan té=
cnicas
de aprendizaje supervisado para entrenar el modelo de detección de
madurez de frutos. Se proporciona al modelo un conjunto de datos etiquetado=
s,
que consisten en imágenes de frutos en diferentes etapas de madurez.=
El Altiplano Hidalguense se caracteriza por un
clima semiárido con escasez de agua, lo que plantea desafíos
importantes para la agricultura en la región. La implementació=
;n
del proyecto AgroBot IA en esta región
podría generar beneficios específicos como: Optimización del uso del ag=
ua: En
una región con escasez de agua, la capacidad del robot para optimiza=
r el
riego es crucial. El sistema de visión artificial y la IA
permitirán al robot determinar las necesidades hídricas
específicas de cada planta y aplicar el riego de forma precisa, evit=
ando
el desperdicio de agua. Reducción del uso de agroquímicos: La
aplicación precisa de productos químicos mediante el robot
reducirá la contaminación del suelo y del agua, contribuyendo=
a
la protección del medio ambiente en la región. Mejora de la
competitividad de los productores locales: La adopción de
tecnologías avanzadas como la robótica y la IA permitir&aacut=
e; a
los productores del Altiplano Hidalguense mejorar la calidad de sus product=
os y
aumentar su competitividad en el mercado. Generación de empleos
especializados: La implementación y el mantenimiento del robot AgroBot IA requerirán de personal capacitado en
nuevas tecnologías, lo que podría generar nuevas oportunidade=
s de
empleo en la región. En
resumen, el proyecto AgroBot IA tiene el potenc=
ial de
generar un impacto positivo tanto a nivel general como en la región
específica del Altiplano Hidalguense. La introducción de esta
tecnología innovadora en la agricultura contribuirá a una pro=
ducción
de alimentos más eficiente, sostenible y segura, con beneficios para=
los
agricultores, los trabajadores y el medio ambiente.
Agricultura
Inteligente y Automatización Agrícola
La agricultura enfrenta actualmente uno de los
mayores desafíos de la historia moderna: satisfacer la creciente dem=
anda
mundial de alimentos bajo condiciones de limitación de recursos
naturales y efectos derivados del cambio climático. De acuerdo con la
Organización de las Naciones Unidas para la Alimentación y la
Agricultura, la población mundial alcanzará aproximadamente l=
os
9.700 millones de habitantes para el año 2050, incrementando
significativamente la demanda de alimentos y obligando al sector
agrícola a mejorar sus procesos productivos mediante tecnologí=
;as
sostenibles y eficientes.
En este contexto surge el concepto de agricult=
ura
inteligente o Smart Farming, el cual integra
tecnologías digitales, sensores, automatización, robót=
ica
e inteligencia artificial para optimizar la producción agríco=
la.
Según Wolfert et al. (2017), la agricult=
ura
inteligente permite mejorar la productividad mediante la recopilació=
n y
análisis de datos en tiempo real, favoreciendo la toma de decisiones
automatizadas relacionadas con riego, fertilización, monitoreo de
cultivos y cosecha.
La automatización agrícola busca
reducir la dependencia de mano de obra intensiva, disminuir costos operativ=
os y
minimizar errores humanos durante los procesos de producción y
recolección. Asimismo, permite incrementar la eficiencia en el uso de
recursos como agua, energía y fertilizantes, contribuyendo al desarr=
ollo
de una agricultura sostenible.
Invernaderos como Entornos de Producción
Controlada
Los invernaderos representan sistemas
agrícolas de ambiente controlado que permiten regular variables como
temperatura, humedad, iluminación y nutrientes para mejorar el
crecimiento de los cultivos. Estos espacios facilitan la producción
continua de alimentos y reducen el impacto de factores climáticos
externos.
De acuerdo con Castilla (2013), los invernader=
os
modernos han evolucionado hacia sistemas tecnificados que incorporan
automatización y monitoreo inteligente para maximizar la
producción y calidad de los cultivos. Sin embargo, muchas actividades
dentro de los invernaderos continúan realizándose manualmente,
particularmente aquellas relacionadas con la inspección visual,
clasificación de frutos y monitoreo del estado de madurez.
Las tareas manuales pueden generar problemas
relacionados con tiempos elevados de operación, errores en la
selección de frutos y exposición de los trabajadores a sustan=
cias
químicas empleadas en fumigación y fertilización. Por
ello, el uso de tecnologías robóticas y sistemas inteligentes
representa una alternativa viable para optimizar dichas actividades.
Robótica
Aplicada a la Agricultura
La robótica agrícola consiste en=
el
desarrollo de máquinas autónomas capaces de ejecutar tareas
agrícolas de forma automática mediante sensores, actuadores y
sistemas de control inteligente. Estas tecnologías han sido utilizad=
as
en procesos de siembra, monitoreo, fumigación, cosecha y
clasificación de productos agrícolas.
Bac et al. (2014) señalan que los robots
agrícolas modernos utilizan sensores de navegación,
cámaras y sistemas de posicionamiento para desplazarse de manera
autónoma en ambientes de cultivo. La incorporación de robots
móviles permite disminuir la intervención humana en tareas
repetitivas o peligrosas, aumentando la precisión y eficiencia
operativa.
Por otra parte, Duckett
et al. (2018) establecen que los robots agrícolas autónomos
representan una solución importante para enfrentar problemas
relacionados con la escasez de mano de obra y el incremento de costos de
producción agrícola. Estos sistemas son capaces de recopilar
información del entorno en tiempo real y ejecutar acciones
automáticas con alta precisión.
En el caso de los invernaderos, la robó=
tica
móvil ofrece ventajas significativas debido a que los ambientes
controlados facilitan la navegación autónoma y la
integración de sensores para el monitoreo de cultivos.
Visión
Artificial en la Agricultura
La visión artificial es una rama de la
inteligencia artificial enfocada en la adquisición, procesamiento e
interpretación de imágenes digitales para identificar objetos,
patrones y características específicas.
En agricultura, la visión artificial ha
sido utilizada para detectar enfermedades, monitorear crecimiento vegetal,
identificar malezas y determinar el grado de madurez de frutos. Según
Patel y Kumar (2020), los sistemas de visión artificial permiten
automatizar la clasificación de frutos mediante el análisis de
características visuales como color, textura, forma y tamaño.=
El procesamiento digital de imágenes
comprende diversas etapas:
<=
span
style=3D'mso-list:Ignore'>●<=
span
style=3D'mso-list:Ignore'>●<=
span
style=3D'mso-list:Ignore'>●<=
span
style=3D'mso-list:Ignore'>●<=
span
style=3D'mso-list:Ignore'>●<=
span
style=3D'mso-list:Ignore'>●<=
span
style=3D'mso-list:Ignore'>●<=
span
style=3D'mso-list:Ignore'>●<=
span
style=3D'mso-list:Ignore'>●<=
span
style=3D'mso-list:Ignore'>●Inteligencia
Artificial y Aprendizaje Automático
La inteligencia artificial es un conjunto de
técnicas computacionales diseñadas para simular procesos de
razonamiento y aprendizaje humano. Dentro de la IA, el aprendizaje
automático (Machine Learning) permite que los sistemas aprendan patr=
ones
a partir de datos sin necesidad de ser programados explícitamente.
Actualmente, el aprendizaje profundo (Deep
Learning) y las redes neuronales convolucionales (CNN) son ampliamente
utilizadas en tareas de clasificación de imágenes
agrícolas. Estas redes permiten identificar patrones complejos
relacionados con el color, textura y forma de los frutos.
Sa et al. (2016) desarrollaron un sistema
denominado DeepFruits, basado en redes neuronal=
es
profundas para detectar frutos maduros mediante cámaras RGB y sensor=
es
de profundidad. Los autores concluyeron que la combinación de
visión artificial y aprendizaje profundo mejora significativamente la
precisión en la identificación automática de frutos.
Asimismo, Bargoti y
Underwood (2017) utilizaron modelos CNN para detectar y contar frutos en
árboles frutales, obteniendo altos niveles de precisión en
ambientes agrícolas reales.
El entrenamiento de modelos de inteligencia
artificial requiere bases de datos estructuradas y etiquetadas, donde cada
imagen se clasifica según el grado de madurez correspondiente.
Posteriormente, el modelo aprende patrones visuales y genera predicciones
automáticas sobre nuevas imágenes.
Sistemas de
Navegación Autónoma
La navegación autónoma permite q=
ue
un robot se desplace de manera independiente dentro de un entorno sin
intervención humana. Para ello se emplean sensores como:
<=
span
style=3D'mso-list:Ignore'>●<=
span
style=3D'mso-list:Ignore'>●<=
span
style=3D'mso-list:Ignore'>●<=
span
style=3D'mso-list:Ignore'>●<=
span
style=3D'mso-list:Ignore'>●Detección
del Grado de Madurez de Frutos
La determinación del grado de madurez e=
s un
proceso fundamental dentro de la producción agrícola debido a=
que
influye directamente en la calidad, sabor, vida útil y valor comerci=
al
de los frutos.
Tradicionalmente, esta tarea se realiza median=
te
inspección visual humana, lo que puede generar errores derivados de =
la
subjetividad y fatiga del operador. Por ello, diversos estudios han
implementado técnicas de visión artificial para automatizar e=
ste
proceso.
Según Cubero et al. (2014), los sistemas
automatizados de clasificación de frutos permiten mejorar la uniform=
idad
del producto y reducir pérdidas durante la cosecha y
comercialización.
El color es uno de los indicadores más
utilizados para evaluar la madurez de los frutos, debido a que durante el
proceso de maduración ocurren cambios en pigmentos como clorofilas y
carotenoides. Asimismo, la textura y tamaño complementan la
información necesaria para una clasificación más preci=
sa.
Relación=
del
Marco Teórico con el Proyecto AgroBot IA=
El proyecto AgroBot IA
integra los fundamentos teóricos de agricultura inteligente,
robótica móvil, visión artificial e inteligencia
artificial para desarrollar un sistema autónomo capaz de detectar y
clasificar frutos en invernaderos.
La investigación se basa en el uso de
cámaras RGB, procesamiento digital de imágenes y algoritmos de
aprendizaje automático para identificar características visua=
les
asociadas al grado de madurez de los frutos. Posteriormente, estas
tecnologías serán integradas en un robot móvil
autónomo equipado con sensores de navegación para realizar
detección en tiempo real dentro del invernadero.
La implementación de este sistema
permitirá optimizar la selección y recolección
automatizada, mejorar la eficiencia operativa y contribuir al desarrollo de
soluciones tecnológicas sostenibles para la agricultura moderna.
RESULTADOS
Una vez aplicada la metodología estable=
cida
se obtuvieron los siguientes resultados:
Etapa 1 – Captura y procesamiento de
imágenes
En esta primera etapa se tomaron diferentes
imágenes del proceso de cosecha y las lechugas en sus diferentes eta=
pas
de madurez, bajo condiciones controladas y reales de iluminación y
cultivo. Primero se llevó a cabo la instalación de la estruct=
ura
hidropónica y las líneas de conducción empleadas al
cultivo y monitoreo de las plantas como se muestra en las siguientes
imágenes.
Figura 3
Fase de Preparación del Terreno para la
Instalación del Invernadero
![](3D"0765_HernandezDominguez_archivos/image010.jpg")
Nota: Fotografía que muestra los traba=
jos
iniciales de nivelación y adecuación del espacio físico
donde se ubicará el invernadero del proyecto.
Fuente: elaboración propia.
Figura 4
Ensamble y Adecuación de la Estructura =
de
Soporte Hidropónico
![](3D"0765_HernandezDominguez_archivos/image012.jpg")
Nota: Fotografía que documenta el pro=
ceso
de montaje de la estructura hidropónica dentro del invernadero,
incluyendo la instalación de los conductos de cultivo.
Fuente: elaboración propia.
Figura 5
Pruebas de Conexión y Funcionamiento del
Sistema de Riego Hidropónico
![](3D"0765_HernandezDominguez_archivos/image014.jpg")
Nota: Fotografía tomada durante la
instalación final y conexión de los sistemas de flujo de
nutrientes y agua del sistema hidropónico.
Fuente: elaboración propia.
Posteriormente se procedió al cultivo de
las plantas mediante el sistema hidropónico dentro del invernadero, =
se
observan características relacionadas con la coloración de ho=
jas,
textura, y morfología, elementos para el análisis visual y
monitoreo del sistema del cultivo como se muestra en la imagen.
Figura 6
![](3D"0765_HernandezDominguez_archivos/image016.jpg")
Proceso de Cult=
ivo
y Germinación de Semillas en Bandejas de Semillero
Nota: fotografía del proceso manual de
siembra y colocación de semillas en bandejas de germinación p=
ara
el desarrollo del cultivo controlado en invernadero.
Fuente: elaboración propia.
Se muestra el crecimiento en una etapa tempran=
a de
crecimiento, durante esta etapa se evaluaron características
físicas como tamaño, tonalidad y estado general de la planta =
para
generar registros visuales, el desarrollo se llevó en un contenedor
hidropónico, el análisis de las raíces permitió
evaluar el estado del crecimiento y adaptación del cultivo dentro del
entorno controlado.
Figura 7
![](3D"0765_HernandezDominguez_archivos/image018.jpg")
Crecimiento de =
la
Planta en un Contenedor Hidropónico
Nota: Fotografía que muestra el desarr=
ollo
vegetativo y el estado del sistema radicular de la planta dentro del conten=
edor
hidropónico.
Fuente: elaboración propia.
La planta muestra un buen desarrollo color
uniforme y hojas firmes, lo que indica condiciones adecuadas para el
crecimiento.
Figura 8
![](3D"0765_HernandezDominguez_archivos/image020.jpg")
Evaluació=
;n
del Desarrollo Foliar y Radicular de Cultivo en Tubería
Hidropónica
Nota: Fotografía del estado de crecimi=
ento
avanzado de las hojas y la densidad de las raíces de la planta en el
sistema de flujo hidropónico.
Fuente: elaboración propia.
La planta muestra un sistema radicular abundan=
te y
relativamente sano con raíces claras y buena densidad, sin embargo, =
la hojas muestran deformaciones lo que sugiere un tipo=
de
estrés fisiológico lo que sugiere un exceso de humedad, balan=
ce
nutricional especialmente calcio y PH.
Figura 9
Inspección del Balance Nutricional y
Sistema Radicular de la Planta en Etapa Adulta
![](3D"0765_HernandezDominguez_archivos/image022.jpg")
Nota: Fotografía que documenta la
evaluación de la densidad radicular y el follaje de la planta para
asegurar un buen balance nutricional.
Fuente: elaboración propia.
En la fase 2. Entrenamiento del modelo de
inteligencia artificial: Durante esta etapa se realizó la captura y
procesamiento de imágenes del cultivo hidropónico para integr=
ar
la base de datos utilizada en el entrenamiento del modelo de inteligencia
artificial. Las imágenes obtenidas permitieron desarrollar procesos =
de
aprendizaje autónomo mediante las fases de entrenamiento,
validación y evaluación del desempeño del sistema. A
través del modelo se logró identificar características
visuales asociadas al estado fisiológico de las plantas diferenciando
condiciones normales y síntomas de estrés o anomalías =
en
cultivos. Asimismo, se obtuvo la clasificación adecuada de patrones =
en
las hojas y raíces permitiendo mejorar la precisión del siste=
ma
de monitoreo automatizado.
Figura 10
Metodología de Captura, Procesamiento y
Entrenamiento del Modelo de Inteligencia Artificial para el Diagnóst=
ico
del Cultivo
![](3D"0765_HernandezDominguez_archivos/image024.jpg")
Nota: Infografía técnica que
detalla la Fase 2 del proyecto, abarcando la captura y procesamiento de
imágenes, la arquitectura de la Red Neuronal Convolucional (CNN), el
flujo de entrenamiento con sus métricas de desempeño y la
posterior evaluación para la clasificación de estados de
estrés o anomalías en hojas y raíces.
Fuente: elaboración propia.
En la fase 3 de Integración
robótica: En esta etapa se diseñó e integró el
sistema robótico con sensores de navegación autónoma y
módulos de visión artificial para la detección y
clasificación de plantas en tiempo real. Como resultado, el robot
logró desplazarse dentro del entorno de cultivos y obtener imá=
;genes
de manera automática facilitando el monitoreo continuo del sistema
hidropónico. A través de esta etapa se permitió ejecut=
ar
un modelo de inteligencia artificial y el sistema robótico.
Figura 11
Instalación de la Bomba de Presió=
;n
en el Sistema de Riego
![](3D"0765_HernandezDominguez_archivos/image026.jpg")
Nota: Fotografía del componente
electromecánico correspondiente a la bomba de presión encarga=
da
de la distribución del flujo hídrico e insumos químico=
s en
el invernadero.
Fuente: elaboración propia.
Figura 12
Componentes de la Unidad Central de Procesamie=
nto
y Sistema de Visión
![](3D"0765_HernandezDominguez_archivos/image028.jpg")
Nota: Fotografía del hardware interno=
que
integra la tarjeta de procesamiento principal, el sistema de enfriamiento y=
las
conexiones del módulo de visión artificial para el robot
autónomo.
Fuente: elaboración propia.
Figura 13
Instalación del Gabinete de Control y
Protección del Sistema en la Estructura Superior
![](3D"0765_HernandezDominguez_archivos/image030.jpg")
Nota: Fotografía de la caja o gabinete=
de
protección para los componentes electrónicos colocada en la p=
arte
superior de la estructura interna del invernadero.
Fuente: elaboración propia.
En etapa posteriores se espera la
realización de pruebas en condiciones reales para evaluar la efectiv=
idad
del sistema con una diversidad de frutos.
DISCUSIÓN
Los hallazgos adquiridos a lo largo de la real=
ización
del proyecto AgroBot IA evidencian que incorpor=
ar
inteligencia artificial, visión artificial y robótica
móvil es una opción factible para automatizar procedimientos
agrícolas en entornos controlados, como los invernaderos. En la prim=
era
fase, se creó una base de datos visual a partir de la toma y
procesamiento de imágenes del cultivo hidropónico. Esto
posibilitó el reconocimiento de rasgos vinculados a la condici&oacut=
e;n
fisiológica de las plantas, como son color, textura, forma y desarro=
llo
radicular. Estos descubrimientos están en línea con lo que han
señalado Patel y Kumar (2020), quienes indican que los sistemas de
visión artificial posibilitan la clasificación automát=
ica
de plantas y frutos a través del análisis de patrones visuale=
s.
Además, los hallazgos de la etapa de
entrenamiento del modelo de inteligencia artificial hicieron posible el
desarrollo de procedimientos de aprendizaje autónomo que pueden
distinguir entre condiciones normales y síntomas de estrés
fisiológico en las plantaciones. Lo anterior está en lí=
;nea
con estudios como el de Sa et al. (2016), que evidenciaron que la
detección y clasificación automática en sistemas
agrícolas inteligentes aumenta considerablemente cuando se emplean r=
edes
neuronales y procesamiento digital de imágenes.
El prototipo creado, en lo que respecta a la
integración robótica, consiguió moverse de manera
autónoma por el medio hidropónico y efectuar la captura
automática de imágenes para supervisar constantemente el cult=
ivo.
Estos hallazgos están vinculados con las investigaciones de Bac et a=
l.
(2014), que sostienen que los robots de campo equipados con sistemas de
navegación y sensores hacen posible la automatización de labo=
res
de supervisión y control en entornos agrícolas. En tér=
minos
generales, los hallazgos muestran que la combinación de inteligencia
artificial y robótica puede ayudar a mejorar la eficiencia operativa=
en
los sistemas de producción controlada, disminuir las equivocaciones
humanas y optimizar los procedimientos agrícolas.
En términos teóricos, la
investigación ayuda a mejorar el conocimiento sobre la agricultura
inteligente, la robótica móvil y la visión artificial =
en
el área agrícola. El proyecto evidencia la factibilidad de
combinar sistemas robóticos autónomos con modelos de aprendiz=
aje
automático para crear soluciones que sean aptas para examinar variab=
les
fisiológicas en las plantas en tiempo real. También proporcio=
na
pruebas sobre el uso de técnicas de procesamiento digital de
imágenes para reconocer patrones vinculados a la salud y madurez de =
las
cosechas.
En la práctica, Ag=
roBot
IA es una opción tecnológica enfocada en optimizar la eficaci=
a de
los procedimientos agrícolas en invernaderos. La automatizació=
;n
del monitoreo y la clasificación de plantas posibilita que se reduzc=
a la
dependencia de procesos manuales, se mejore el empleo de fertilizantes y
recursos hídricos, y se minimice la exposición de los emplead=
os a
productos químicos que se emplean en las fumigaciones. Asimismo, la
puesta en marcha de sistemas inteligentes de monitoreo tiene el potencial de
aumentar la productividad agrícola y la calidad de los productos. Es=
te
tipo de tecnologías puede contribuir a que el agua se gestione de una
manera más eficaz y a que la producción agrícola sea
más sostenible en áreas con escasez de agua, como el Altiplano
Hidalguense.
Asimismo, el proyecto promueve la conexi&oacut=
e;n
entre la investigación académica y el avance tecnológi=
co
en el campo agroindustrial, incentivando así la innovación y =
la
implementación de tecnologías emergentes en México. El
estudio, a pesar de los resultados que se han conseguido, tiene algunas
limitaciones significativas. Primeramente, el prototipo se valoró
solamente en un ambiente controlado de cultivo hidropónico; por ende,
hasta ahora no hay ensayos amplios realizados en otras circunstancias
ambientales o en invernaderos más grandes.
El volumen de la base de datos que se
empleó para entrenar el modelo de inteligencia artificial es otra
restricción. A pesar de que se logró crear un sistema funcion=
al,
sería posible mejorar la exactitud y la capacidad de
generalización del modelo si se emplea un número más
grande de imágenes y una variedad más extensa de condiciones =
de
iluminación y especies vegetales.
Además, el sistema se centró
esencialmente en la supervisión de lechugas y cultivos
hidropónicos; por lo tanto, para adaptarse a otras variedades de fru=
tas
o cultivos, necesitará nuevos procesos de capacitación y
validación. Además, se detectan restricciones vinculadas a los
gastos de puesta en marcha, mantenimiento y compra de sensores especializad=
os,
lo que podría obstaculizar que pequeños productores agropecua=
rios
adopten esta tecnología.Com=
o
el proyecto está en una fase de desarrollo experimental, hasta ahora=
no
se han llevado a cabo análisis exhaustivos de indicadores
económicos, efecto productivo ni retorno de inversión a
raíz de la puesta en marcha del sistema. Para investigaciones futura=
s,
se aconseja aumentar la base de datos empleada para entrenar el modelo de
inteligencia artificial incluyendo diversas especies vegetales, cambios
climáticos y variadas condiciones lumínicas. Esto va a facili=
tar
que el sistema mejore su capacidad para clasificar y su solidez frente a
situaciones reales de producción agrícola.
Para aumentar la exactitud al detectar
anomalías fisiológicas y madurez en los cultivos, tambi&eacut=
e;n
se recomienda el uso de modelos avanzados de aprendizaje profundo, sobre to=
do
las redes neuronales convolucionales (CNN). Sería además
apropiado incorporar sensores ambientales adicionales para controlar factor=
es
como la humedad, el pH, la temperatura y los niveles de nutrientes, lo que
posibilitará crear sistemas de agricultura inteligente de manera
más integral.
En etapas posteriores, se aconseja llevar a ca=
bo
ensayos experimentales en invernaderos comerciales y analizar indicadores
vinculados con la eficacia operativa, el ahorro de agua, la disminuci&oacut=
e;n
de agroquímicos y la productividad. Asimismo, sería importante
examinar el efecto económico que tiene la implementación del
sistema y su factibilidad para los productores de tamaño peque&ntild=
e;o
y mediano. Por último, se sugiere examinar la implementación =
de
tecnologías de Internet de las Cosas (IoT),
computación en la nube y análisis predictivo para crear
plataformas completas que monitoreen la agricultura en tiempo real. Esto
posibilitará el progreso hacia modelos de agricultura autónoma
que sean aptos para tomar decisiones inteligentes y mejorar constantemente =
los
procesos de producción agrícola sostenible.
CONCLUSIÓN
El proyecto AgroBot IA
contribuye de manera significativa al fortalecimiento de la sostenibilidad
alimentaria, ambiental y tecnológica mediante la incorporació=
n de
herramientas de inteligencia artificial, visión artificial y
robótica aplicada al sector agrícola. La implementación
del sistema permitió demostrar que el uso de tecnologías
inteligentes puede optimizar la administración de recursos
críticos dentro de los invernaderos, particularmente el agua, los
fertilizantes y los agroquímicos. A través del análisis
automatizado de imágenes y la toma de decisiones basada en modelos de
inteligencia artificial, el sistema es capaz de identificar las condiciones
fisiológicas de las plantas y aplicar acciones específicas de
monitoreo y control, reduciendo el desperdicio de insumos y favoreciendo una
producción más eficiente y sustentable.
Uno de los principales aportes del proyecto ra=
dica
en la disminución potencial del impacto ambiental asociado a la
agricultura tradicional. La aplicación precisa y localizada de agua y
agroquímicos reduce la contaminación del suelo y de los mantos
acuíferos, además de contribuir al uso racional de los recurs=
os
naturales en regiones con problemas de disponibilidad hídrica como el
Altiplano Hidalguense. De esta manera, AgroBot =
IA se
alinea con los objetivos de la agricultura inteligente y sostenible promovi=
dos
a nivel internacional para enfrentar los desafíos relacionados con el
cambio climático y el crecimiento poblacional.
Además, el proyecto constituye una vali=
osa
oportunidad para fomentar la transformación tecnológica del
sector agropecuario mexicano. El avance de soluciones robóticas
adecuadas a las condiciones productivas de la zona ayuda a que los sistemas=
de
cultivo se modernicen y potencia la competitividad de los productores local=
es.
La puesta en marcha de estas tecnologías posibilita disminuir los co=
stos
operativos, aumentar la producción y elevar la calidad de los produc=
tos
agrícolas a través de procesos automatizados de monitoreo y
clasificación. Desde un punto de vista social, =
AgroBot
IA produce un efecto directo en la seguridad y el bienestar del personal
agrícola. La automatización de tareas como la fumigació=
;n y
la vigilancia reduce notablemente la exposición de las personas a
sustancias químicas que podrían ser peligrosas, lo cual dismi=
nuye
el riesgo de intoxicaciones, accidentes en el trabajo y enfermedades
respiratorias. Este escenario es particularmente importante en áreas
agrícolas, donde las labores se llevan a cabo de forma manual y con
escasas condiciones de protección en el trabajo. Asimismo, el proyec=
to
ayuda a afrontar problemas asociados con la falta de trabajadores
agrícolas, posibilitando que algunos trabajos repetitivos y
físicamente exigentes los lleven a cabo sistemas automatizados. Esto=
no
significa reemplazar por completo la intervención humana, sino cambi=
ar
las actividades agrícolas hacia tareas de supervisión,
análisis y administración tecnológica.
Un tema importante es el fortalecimiento de la
educación académica y tecnológica de los alumnos e
investigadores del Instituto Tecnológico Superior del Oriente del Es=
tado
de Hidalgo (ITESA). El involucrarse en el
diseño y la creación del prototipo posibilitó la
generación de habilidades vinculadas con inteligencia artificial,
visión artificial, robótica móvil, automatizació=
;n
agrícola y programación. Para asegurar la continuidad, el
mantenimiento y la posibilidad de escalar este tipo de soluciones
tecnológicas en la región, es crucial formar capital humano c=
on
especialización en estos campos.
Por último, AgroBo=
t
IA establece las bases para investigaciones futuras que busquen crear siste=
mas
agrícolas autónomos más sofisticados. La
incorporación de plataformas de monitoreo en tiempo real, algoritmos=
de
aprendizaje profundo y sensores inteligentes permite generar modelos de
agricultura inteligente que pueden aumentar la productividad alimentaria
sosteniblemente. En su totalidad, el proyecto no solo supone un progreso en
términos de tecnología, sino que también aporta al
desarrollo social, económico y medioambiental del campo nacional y r=
egional.
REFERENCIAS
Bac, C. W., Hemming, J.,
& Van Henten, E. J. (2014). Harvesting robo=
ts
for high-value crops: State-of-the-art review and challenges ahead. Journal=
of
Field Robotics, 31(6), 888-911.
Bargoti<=
/span>, S., & Und=
erwood,
J. (2017). Deep fruit detection in orchards. IEEE International Conference =
on
Robotics and Automation (ICRA), 3626-3633.
Castilla, N. (2013). Greenhouse Technology =
and
Management. CABI Publishing.
Cubero, S., Aleixos, N.,
Moltó, E., Gómez-Sanchis, J., &am=
p;
Blasco, J. (2014). Advances in machine vision applications for automa=
tic
inspection and quality evaluation of fruits and vegetables. Food and Biopro=
cess
Technology, 4(4), 487-504.
Duckett, T., Pearson, S., Blackmore, S., &a=
mp;
Grieve, B. (2018). Agricultural robotics: The future of robotic agriculture.
UK-RAS White Papers.
FAO (2017). The State of Food and Agricultu=
re
2017. Food and Agriculture Organization of the United Nations.
FAO (2018). The State of Food and Agricultu=
re
2018. Food and Agriculture Organization of the United Nations.
FAO. (2017). The future of food and
agriculture: Trends and challenges. Organización de las Naciones Unidas par=
a la
Alimentación y la Agricultura.
FAO. (2018). Transforming food and agricult=
ure
to achieve the SDGs. Organización de las Naciones Unidas para la Alimentaci&oacut=
e;n
y la Agricultura.
Forsyth, D. A., & Ponce, J. (2011).
Computer vision: A modern approach. Pearson Education.
Gebbers<=
/span>, R., &
Global food losses and food waste. Food and
Agriculture Organization of the United Nations.
Gustavsson, J., Cederberg, C., Sonesson, U., van Otterdijk, R.,
& Meybeck, A. (2011).
Gustavsson, J., Cederberg, C., Sonesson, U., Van Otterdijk, R.,
& Meybeck, A. (2011). Global food losses an=
d food
waste. FAO.
Patel, K., & Kumar, A. (2020). Machine
learning-based fruit classification using image processing techniques.
International Journal of Advanced Science and Technology, 29(5), 1450-1462.=
Sa, I., Ge, Z., Dayoub=
,
F., Upcroft, B., Perez, T., & McCool, C. (2=
016). DeepFruits: A fruit detection system using deep neural
networks. Sensors, 16(8), 1222.
Siegwart, R., Nourbakh=
sh,
I., & Scaramuzza, D. (2011). Introduction to
Autonomous Mobile Robots. MIT Press.
Wolfert<=
/span>, S., Ge, L., <=
span
class=3DSpellE>Verdouw, C., & Bogaardt, M.
J. (2017). Big Data in Smart Farming: A review. Agricultural Systems, 153,
69-80.
WWAP. (2019). The
United Nations World Water Development Report 2019: Leaving No One Behind. =
UNESCO World Water Assessment
Programme.
Todo el contenido de LA=
TAM
Revista Latinoamericana de Ciencias Sociales y Humanidades, publicados en e=
ste
sitio está disponibles bajo Licencia Creative
Commons ![3D"https://revistacientifica.uamericana.edu.py/public/site/images/aduar=](3D"0765_HernandezDominguez_archivos/image031.jpg")
.
![](3D"0765_HernandezDominguez_archivos/image002.jpg")