Investigadores del Grupo de Ingeniería de Biosistemas Agrícolas de la Universidad de Wageningen han desarrollado un innovador algoritmo llamado SSL-NBV, basado en aprendizaje autosupervisado, para optimizar el proceso de reconstrucción tridimensional de plantas usando robots. Este avance pretende superar los desafíos presentados por los métodos tradicionales al proporcionar una solución eficiente y adaptable.

La reconstrucción 3D de plantas representa una dificultad debido a la forma y complejidad de las mismas, lo que provoca muchas oclusiones. Los métodos tradicionales de reconstrucción basados en un modelo de vista “Next-Best-View” (NBV) buscan constantemente nuevos ángulos de visión para maximizar la captación de información. Sin embargo, estos métodos, especialmente los basados en aprendizaje profundo, requieren un entrenamiento extenso con modelos de plantas predefinidos, lo cual resulta poco práctico para cultivos reales en entornos agrícolas dinámicos.

A través del nuevo método SSL-NBV, un robot puede obtener datos de entrenamiento durante la ejecución de tareas mediante el uso de una red neuronal profunda para predecir el aumento de información (IG) para puntos de vista candidatos sin necesidad de tener todos los modelos de plantas a mano. Esta capacidad le permite aprender de escenarios nuevos y ajustar su curso sobre la marcha, lo que es un paso adelante hacia un sistema flexible de percepción robusta.

Se realizaron exhaustivas evaluaciones del método en simulaciones y entornos reales, mostrando que además de requerir menos vistas para la reconstrucción que otros métodos, SSL-NBV era 800 veces más rápido que los métodos de basado en voxels. Además, redujo las anotaciones de entrenamiento hasta en un 90% en comparación con los métodos convencionales de aprendizaje profundo.

Las aplicaciones potenciales de SSL-NBV son extensas, desde la fenotipificación robótica hasta operaciones en invernaderos como la cosecha y eliminación de hojas. Los resultados mostraron que el nuevo método no solo aceleraba el entrenamiento sino que también mejoraba su capacidad para enfrentarse a situaciones novedosas mediante ajuste en línea.

En conclusión, el SSL-NBV no solo mejora la eficiencia en la reconstrucción de plantas, sino que también avanza hacia un sistema de aprendizaje continuo y autónomo, lo cual es esencial en el contexto de agricultura donde la capacidad de ajustarse a entornos variables es crucial.