Objetivo general
Desarrollar una plataforma de adquisición de imágenes hiperespectrales basada en muestreo compresivo con recuperación asistida por redes neuronales, y utilizarla para recolectar datos de hojas de arroz que permitan estimar niveles de nitrógeno y producción esperada.
Objetivos específicos
- Construir un sistema de adquisición de imágenes hiperespectrales basado en muestreo compresivo.
- Diseñar un sistema de aprendizaje automático para recuperar imágenes hiperespectrales a partir de muestras compresivas.
- Recolectar datos de nitrógeno en hojas de arroz mediante método Kjeldahl o similar.
- Construir una base de datos de mediciones espectrales y contenido de nitrógeno.
- Diseñar un modelo para estimar contenido de nitrógeno en hojas de arroz a partir del comportamiento espectral.
Equipo e instituciones participantes
Este proyecto integra capacidades complementarias en investigación, desarrollo experimental, análisis de datos y articulación con actores externos.
- Investigadora principal: Mayteé Zambrano de Rojas — instrumentación óptica e implementación física del muestreo compresivo.
- Co-investigador: Fernando Arias — análisis de imágenes hiperespectrales y aprendizaje automático.
- Co-investigador: Carlos Medina — análisis y tratamiento óptimo de la información recolectada.
- Miembro del equipo: Edson Galagarza — apoyo técnico y matemático en sistemas ópticos.
- Miembro del equipo: Kathia Broce — análisis de materia orgánica y articulación agroindustrial.
Instituciones vinculadas: Universidad Tecnológica de Panamá, IDIAP, Tesco S.A., MIDA, sector privado, CEMCIT-AIP.
Métodos y enfoque tecnológico
El proyecto combina diseño experimental, instrumentación, adquisición de datos, modelado matemático y validación aplicada.
El sistema propuesto parte del enfoque de una single-pixel camera, donde la imagen se proyecta sobre un dispositivo digital de microespejos (DMD) y se adquieren múltiples proyecciones para reconstrucción posterior. En este caso, el fotodiodo se reemplaza por un espectrómetro, extendiendo la adquisición al dominio hiperespectral.
El enfoque metodológico incluye: desarrollo de un dispositivo de adquisición hiperespectral; reconstrucción de imágenes por sensado compresivo y redes neuronales; evaluación de nitrógeno en hojas de arroz mediante Kjeldahl y reflectancia espectral; entrenamiento de modelos de aprendizaje automático para estimación de nitrógeno y detección de malezas.
Impacto y casos de uso
El proyecto busca mejorar el control de cultivos y contribuir a cosechas más productivas con menor uso de fertilizantes. También fortalece infraestructura científica, formación de talento humano y producción académica, con potencial de evolución hacia sistemas montables en UAV y aplicación a otros cultivos.
- Para academia: Fortalece infraestructura, investigación interdisciplinaria y producción científica.
- Para estudiantes: Ofrece formación en óptica, procesamiento de señales, Python, machine learning y trabajo experimental.
- Para empresas: Abre posibilidades de monitoreo de cultivos, prototipado y validación de tecnologías aplicadas.
- Para instituciones públicas: Puede apoyar agricultura de precisión, sostenibilidad y toma de decisiones basada en datos.
¿Qué resultados ha generado?
El proyecto ha generado infraestructura experimental, un prototipo hiperespectral, una base de datos, modelos de reconstrucción, estimación de nitrógeno, detección de malezas y productos publicables.
