Sistema automatizado basado en visión artificial y reglas heurísticas para la gestión adaptativa del riego en tomate cherry

Autores/as

DOI:

https://doi.org/10.70929/caui3.v2i2.0023

Palabras clave:

Agricultura de precisión, visión artificial, riego inteligente, tomate cherry, aprendizaje automático

Resumen

La optimización del riego constituye un desafío prioritario en la agricultura de precisión debido a la creciente escasez hídrica y a la necesidad de incrementar la sostenibilidad de los sistemas productivos. El presente estudio tuvo como objetivo desarrollar e implementar un sistema inteligente basado en visión artificial y toma de decisiones por reglas heurísticas para gestionar de manera adaptativa el riego en el cultivo de tomate cherry (Solanum lycopersicum var. cerasiforme). La investigación se desarrolló bajo un enfoque cuantitativo experimental de tipo longitudinal en un entorno controlado. El sistema integró técnicas de procesamiento de imágenes mediante OpenCV y segmentación en el espacio de color HSV para clasificar el estado de maduración de los frutos y ejecutar acciones automatizadas de control. Los resultados evidenciaron una adecuada capacidad de discriminación visual, reducción de falsas detecciones mediante filtrado morfológico y un procesamiento en tiempo real con latencia inferior a 100 ms por cuadro. Asimismo, la arquitectura adaptó dinámicamente los tiempos de activación del riego según la proporción fenológica detectada, diferenciándose de los esquemas convencionales de temporización fija. Se concluye que la articulación entre visión por computador y control heurístico ofrece una alternativa técnica viable y computacionalmente eficiente para modular el suministro hídrico en entornos protegidos.

Descargas

Los datos de descarga aún no están disponibles.

Biografía del autor/a

  • Gonzalo Rodríguez-Galarza, Universidad internacional del Ecuador

    Ingeniero en Electrónica y Telecomunicaciones graduado con distinción Cum Laude por la Universidad Nacional de Chimborazo y con formación de posgrado en Ciencia de Datos y Machine Learning (mención en IA) por la Universidad Internacional del Ecuador, con sólida experiencia en el desarrollo de soluciones tecnológicas aplicadas, automatización, programación (Python, C/C++, MicroPython) e implementación de entornos virtuales (Moodle H5P), así como en análisis de datos e inteligencia de negocios con Power BI. Complementa su perfil técnico con una destacada trayectoria en gestión editorial e investigación científica como editor en Revista Esprint, asesor en procesos de publicación bajo normativas internacionales (APA, Vancouver, IEEE) y autor de proyectos enfocados en la innovación tecnológica y educativa.

  • Alfonso Gunsha-Morales, Universidad Estatal de Quevedo

    Ingeniero Electrónico y Máster Universitario en Ingeniería de Sistemas Electrónicos. Actualmente candidato a Doctor (PhD) en Energías Renovables. Docente universitario con experiencia en las áreas de electricidad, electrónica, automatización industrial, energías renovables, sistemas fotovoltaicos, IoT y control. Ha desarrollado actividades de docencia, investigación y vinculación en instituciones de educación superior, participando en proyectos relacionados con sostenibilidad energética, eficiencia energética y generación eléctrica mediante fuentes renovables. Autor y coautor de publicaciones científicas indexadas en revistas internacionales de alto impacto y ponente en congresos nacionales e internacionales. Sus líneas de investigación se centran en energías renovables, sistemas fotovoltaicos, transición energética, eficiencia energética, calidad de energía, automatización industrial y tecnologías aplicadas al desarrollo sostenible.

  • José Velastegui-Almeida, Universidad Polítecnica Salesiana

    Estudiante de Ingeniería en Biotecnología con experiencia como coautor e investigador en el desarrollo e implementación de soluciones biotecnológicas y de agricultura de precisión en invernaderos (BIO J.N.), enfocado en la optimización de recursos hídricos mediante visión por computador e inteligencia artificial aplicada al cultivo de tomate cherry. Ha participado activamente en el diseño y validación en campo de sistemas inteligentes programados en Python, capaces de segmentar y clasificar fenológicamente el estado de maduración del fruto para regular de forma autónoma el tiempo y la frecuencia de riego, previniendo el estrés hídrico en etapas tempranas y el colapso epidérmico o agrietamiento por sobrehidratación en cosechas maduras. Su perfil destaca por articular el conocimiento agrobiológico con herramientas computacionales avanzadas, promoviendo la sostenibilidad, la eficiencia de insumos y el impacto directo de la tecnología en el sector agrícola.

  • Noelia Velastegui-Almeida, Universidad Estatal de Guayaquil

    Estudiante de Odontología de la Universidad de Guayaquil con un perfil versátil orientado a la investigación aplicada y la colaboración interdisciplinaria, con experiencia como coautora en proyectos de optimización tecnológica y sostenibilidad en entornos de cultivo protegido (BIO J.N.). Participó activamente en la validación en campo de sistemas automatizados basados en visión por computador y algoritmos en Python para el monitoreo fenológico del tomate cherry, orientados a regular de manera autónoma los ciclos de hidratación según el estado de maduración del fruto, mitigando el estrés hídrico y el agrietamiento epidérmico para reducir el desperdicio de agua. Su participación en iniciativas fuera del ámbito clínico convencional evidencia una sólida capacidad analítica, rigor metodológico y compromiso con la transferencia de soluciones tecnológicas a problemas prácticos y sostenibles del entorno real.

Referencias

[1] R. Sahu and P. Tripathi, "An intelligent framework for monitoring and irrigation prediction for precision agriculture," Iran J. Comput. Sci., 2025, doi: 10.1007/s42044-025-00269-1.

[2] S. Banluesapy, M. Ketcham, and M. Rattanasiriwongwut, "AI-augmented smart irrigation system using IoT and solar power for sustainable water and energy management," Ing. Energética, vol. 122, no. 10, pp. 4261–4296, Sep. 2025.

[3] P. Thongnim, T. Inthasuth, and M. Leelaphaiboon, "Integrating LSTM-based VPD forecasting into IoT-driven smart irrigation systems in tropical orchards," Discov. Sustain., vol. 7, art. no. 173, 2026, doi: 10.1007/s43621-025-02538-2.

[4] Y. Kong, D. Llewellyn, and Y. Zheng, "High tunnels without anti-insect netting benefit organic cherry tomato production in regions with cool and short growing seasons," Can. J. Plant Sci., vol. 100, no. 4, pp. 401–414, Feb. 2020, doi: 10.1139/cjps-2019-0243.

[5] L. Roco, A. Fischer, C. Grisa, F. García, and E. Sanguinet, "A systematic review of COVID-19 effects on agri-food chains in Latin America," Rev. Fac. Agron. (LUZ), vol. 42, no. 2, art. no. e254221, 2025, doi: 10.47280/RevFacAgron(LUZ).v42.n2.V.

[6] V. Tordecilla-Acevedo, M. C. Valdelamar-Ospino, and A. S. Cantillo, "Agronegocios y tecnología: aproximación de las tendencias, proyectos e iniciativas de tecnología en los agronegocios en Latinoamérica entre 2014-2024," in Proc. 23rd LACCEI Int. Multi-Conf. Eng., Educ. Technol., Mexico City, Mexico, 2025, pp. 2–8.

[7] A. Boshnjaku, E. Plasari, and I. Fata, "Charting the digital frontier: A comprehensive bibliometric analysis of e-agriculture research," Int. J. Innov. Technol. Interdiscip. Sci., vol. 9, no. 1, pp. 51–114, Jan. 2026, doi: 10.15157/IJITIS.2026.9.1.51-114.

[8] M. A. Ikegawa-Bernabé, R. González-Perea, J. A. Rodríguez-Díaz, and J. García-Morillo, "Novel hybrid transformer-based model for mid-term hourly energy demand forecasting in large pressurized irrigation districts," Comput. Electron. Agric., vol. 246, art. no. 111611, 2026.

[9] E. Sánchez-Domínguez, M. J. Briseño-López, B. Murillo-Amador, J. R. Holguín-Peña, L. G. Hernández-Montiel, y L. Lara-Capistrán, "Efecto de bioestimulantes microbianos sobre el rendimiento y calidad de fruto de tomate cherry (Solanum lycopersicum L. var. cerasiforme)," Terra Latinoam., vol. 44, pp. 1–11, Feb. 2026, doi: 10.28940/terralatinoamericana.v44i.2418.

[10] E. Sánchez-Domínguez, M. J. Briseño-López, B. Murillo-Amador, J. R. Holguín-Peña, L. G. Hernández-Montiel, y L. Lara-Capistrán, "Efecto de Bioestimulantes Microbianos sobre el Rendimiento y Calidad de Fruto de Tomate Cherry (Solanum lycopersicum L. var. cerasiforme)," Terra Latinoamericana, vol. 44, pp. 1–11, Feb. 2026. DOI: 10.28940/terralatinoamericana.v44i.2418.

[11] D. Wang, X. Wang, Y. Chen, Y. Wu y X. Zhang, “Strawberry ripeness classification method in facility environment based on red color ratio of fruit rind,” Computers and Electronics in Agriculture, vol. 214, p. 108313, Nov. 2023, doi: 10.1016/j.compag.2023.108313.

[12] Y. N. Kuan, K. M. Goh y L. L. Lim, “Systematic review on machine learning and computer vision in precision agriculture: Applications, trends, and emerging techniques,” Engineering Applications of Artificial Intelligence, vol. 148, p. 110401, May 2025, doi: 10.1016/j.engappai.2025.110401

[13] A. Das, F. Pathan, J. R. Jim, M. M. Kabir y M. F. Mridha, “Deep learning-based classification, detection, and segmentation of tomato leaf diseases: A state-of-the-art review,” Artificial Intelligence in Agriculture, vol. 15, no. 2, pp. 192–220, Jun. 2025, doi: 10.1016/j.aiia.2025.02.006.

[14] P. Parida y N. Bhoi, “2-D Gabor filter based transition region extraction and morphological operation for image segmentation,” Computers & Electrical Engineering, vol. 62, pp. 119–134, Aug. 2017, doi: 10.1016/j.compeleceng.2016.10.019.

[15] M.-T. Tran, A. Fedeli, J. A. Piñera García, P. Pelliccione y T.-P. Nguyen, “Noise-reduction-oriented super-resolution reconstruction for precision agriculture applications,” Expert Systems with Applications, vol. 307, p. 131036, Apr. 2026, doi: 10.1016/j.eswa.2025.131036.

[16] M. Ayoubi y M. Arashpour, “Enhancing workplace safety through assistive computer vision: Real-time hazard recognition using the Workplace Hazards Dataset (WHD),” Computer Vision and Image Understanding, vol. 265, p. 104681, Mar. 2026, doi: 10.1016/j.cviu.2026.104681.

[17] S. Kulandaivel y U. C. Akuthota, “Driving the future with edge computing: A review of data offloading, enabling technologies and trends for autonomous vehicles,” Internet of Things, vol. 38, p. 101963, Jul. 2026, doi: 10.1016/j.iot.2026.101963.

[18] X. Luo, A. Jiang, Y. Dong, J. Weng, Y. Tai y W. Chen, “Blockchain and IoT integration solutions in agricultural data management: From data collection to trust verification,” Crop Design, Art. no. 100144, May 2026, doi: 10.1016/j.cropd.2026.100144.

[19] W. F. Mbasso, I. Dagal, A. Harrison, S. Chebaane, M. Khishe, P. Jangir, A. Smerat y E. F. Donfack, “Towards accelerated chaos-based encryption in embedded systems: Methodological perspectives for speed optimization in constrained hardware architectures,” Computer Standards & Interfaces, vol. 98, p. 104167, Aug. 2026, doi: 10.1016/j.csi.2026.104167.

[20] M. Moyo, F. M. Akinseye, A. van Rooyen, H. Bjornlund, K. Parry, J. Pittock, P. Ramshaw, A. Mujeyi, T. Dube y F. Dube, “Can soil moisture and nutrient monitoring tools contribute to climate-smart smallholder irrigation? A modelling approach in Zimbabwe,” Agricultural Water Management, vol. 327, p. 110272, Apr. 2026, doi: 10.1016/j.agwat.2026.110272.

[21] W. Dai, Z. Zhang, Z. Zhang y H. Zhu, “YOLOv8-GSC: An agricultural crop precision detection model integrating lightweight network and attention mechanism,” Alexandria Engineering Journal, vol. 145, pp. 63–76, May 2026, doi: 10.1016/j.aej.2026.04.027.

Descargas

Publicado

2026-07-31

Número

Vol. 2 Núm. 2 (2026): Desarrollos en Automatización, Materiales y Diseño Contemporáneo

Sección

Artículo de Investigación

Categorías

Licencia

Tienes libertad para:

  1. Compartir: copiar y redistribuir el material en cualquier medio o formato para cualquier fin, incluso con fines comerciales.
  2. Adaptar: remezclar, transformar y desarrollar el material para cualquier fin, incluso con fines comerciales.
  3. El licenciante no puede revocar estas libertades siempre y cuando respetes los términos de la licencia.

Cómo citar

[1]
G. Rodríguez-Galarza, A. Gunsha-Morales, J. Velastegui Almeida, and N. Velastegui-Almeida, “Sistema automatizado basado en visión artificial y reglas heurísticas para la gestión adaptativa del riego en tomate cherry”, Revista Digital Científica Causalidad (caui3), vol. 2, no. 2, pp. 47–59, Jul. 2026, doi: 10.70929/caui3.v2i2.0023.