Una de las principales preocupaciones del sector frutícola a nivel mundial es la pérdida económica que provocan las fisiopatías y enfermedades fúngicas que a menudo se desarrollan en muchos frutos, sobre todo durante su proceso de conservación. Identificar estas alteraciones «resulta complejo, ya que existen un gran número de desórdenes y enfermedades diferentes con causas diversas, y en muchas ocasiones muestran síntomas similares». En este sentido, la identificación y clasificación de estas afectaciones «requiere de una gran experiencia adquirida durante años, o bien de un asesoramiento externo».

Esta situación puede mejorarse «si se dota al sector frutícola de unas herramientas útiles para mejorar la identificación de las principales enfermedades fúngicas y fisiopatías». Este es el objetivo del proyecto demostrativo INFO–CIT, que de la mano del Instituto de Investigación y Tecnología Agroalimentarias (IRTA) y el Departamento de Acción Climática, Alimentación y Agenda Rural de la Generalitat de Cataluña, pretende responder a las necesidades de disponer de una mayor información por parte de los técnicos y profesionales que trabajan en postcosecha de cítricos en esta comunidad autónoma.

Nueva base de datos fotográfica

Para conseguir ese objetivo, «se elaborará una nueva base de datos fotográfica específica de las principales fisiopatías y enfermedades en cítricos». Con estas imágenes y la experiencia del programa Poscosecha del IRTA se elaborará nuevo material didáctico (posters, guías fotográficas y manuales técnicos) que se difundirá en el sector, junto con sesiones formativas y diversas acciones de transferencia de conocimiento. Con este material informativo actualizado y adaptado a los cítricos, «los profesionales del sector podrán identificar mejor y más rápido las principales fisiopatías y enfermedades fúngicas de sus frutos, pudiendo adoptar medidas correctivas a tiempo, y reduciendo las pérdidas».

Además, «esta información puede ayudar al personal técnico a organizar las partidas según su potencial de conservación, optimizando el destino comercial de los lotes». Esto no sólo puede ayudar a limitar las pérdidas y consolidar mercados cercanos, sino que «también puede permitir la apertura de mercados más lejanos que todavía no están al alcance».

Desde este instituto se ha apuntado que «con un mejor conocimiento de las alteraciones postcosecha de los cítricos y una detección más precoz, también es más fácil reducir la necesidad de productos fitosanitarios, logrando así unos frutos más saludables con una producción más respetuosa con el medio ambiente y una mayor rentabilidad económica, dando respuesta a los retos del Pacto Verde Europeo».

Visión artificial para contar frutos

Por otro lado, el proyecto demostrativo FRUITSCAN tiene como objetivo difundir y validar la tecnología de Visión Artificial para el conteo del número de frutos en plantaciones de frutales. La finalidad es permitir una optimización del aclareo manual y una mejor estimación de la producción de la cosecha, dos tareas clave en la producción frutícola, y que redundan en mejores resultados económicos y más sostenibles, ya que se puede ahorrar en agua y abonos.

Así, gracias a las tareas desarrolladas por los técnicos del IRTA y del DACC, responsables del proyecto, «se puede llegar a validar la efectividad de la tecnología de Visión Artificial, tanto en las explotaciones agrícolas de fruta como en las centrales hortofrutícolas». Asimismo, «ajustar el número de frutos con mayor precisión y eficiencia debería permitir adaptarse mejor a las demandas del mercado y reducir a su vez el desperdicio en esta fase de la producción». En un primer momento, la tecnología de Visión Artificial aplicada a la detección del número de frutos en el árbol a partir de la captura de imágenes se realizaba mediante técnicas y algoritmos con los que se intentaba identificar características predefinidas de los frutos como el tamaño, forma, color o textura de las imágenes. Más recientemente, con el desarrollo de procedimientos de Inteligencia Artificial, Machine Learning y Deep Learning, «el análisis de imágenes para la detección y conteo de frutos no parte de características definidas con antelación, sino que se extraen a partir de un proceso de entrenamiento de los algoritmos». Esta aproximación «ha permitido un progreso muy rápido en el análisis de imágenes y la detección de objetos en general, mostrando los algoritmos un grado de acierto muy elevado».