La incorporación de inteligencia artificial (IA) en la agricultura continúa avanzando con soluciones que prometen optimizar la gestión de los cultivos. Un equipo de investigadores de la Universidad de Florida (UF/IFAS) desarrolló dos herramientas digitales capaces de agilizar la predicción del rendimiento en frutilla, utilizando imágenes captadas por drones y algoritmos de visión artificial para estimar la producción de manera más rápida y eficiente.
Esta innovación busca reemplazar parte del trabajo manual que tradicionalmente realizan productores y asesores técnicos para proyectar las cosechas, entregando información oportuna que facilite la planificación comercial, la logística y la toma de decisiones durante la temporada.
Inteligencia artificial para una predicción del rendimiento en frutilla más precisa
La predicción del rendimiento en frutilla es uno de los desafíos más importantes para los productores. Conocer anticipadamente el volumen de fruta que llegará al mercado permite organizar la contratación de mano de obra, planificar cosechas, coordinar la comercialización y optimizar el uso de los recursos disponibles.
Según datos del Departamento de Agricultura de Estados Unidos (USDA), el valor de la producción de frutilla en Florida alcanzó los 714 millones de dólares durante 2025, reflejando la importancia económica de contar con herramientas que permitan estimaciones cada vez más confiables.
Con este objetivo, investigadores del Instituto de Ciencias Alimentarias y Agrícolas de la Universidad de Florida (UF/IFAS) desarrollaron dos plataformas web denominadas PhenoSeg y PhenoSnap, diseñadas para automatizar el análisis de imágenes obtenidas mediante drones.
El proyecto es liderado por Kevin Wang, profesor asistente de Ingeniería Agrícola y Biológica del Centro de Investigación y Educación de la Costa del Golfo (GCREC), quien presentó los avances durante la conferencia AgriTech realizada en Plant City.
Cómo funcionan PhenoSeg y PhenoSnap
El sistema comienza con un vuelo de dron sobre el cultivo de frutilla. Durante el recorrido se capturan imágenes de alta resolución que posteriormente son cargadas en una plataforma web.
La primera aplicación, PhenoSeg, identifica y separa digitalmente cada planta individual presente en las fotografías. Este proceso, conocido como segmentación, permite distinguir con precisión cada planta del fondo y preparar las imágenes para el análisis posterior.
Posteriormente entra en funcionamiento PhenoSnap, una herramienta desarrollada para detectar y contabilizar flores, frutos y estolones en frutilla. Además, el sistema también puede reconocer flores y frutos en cultivos de tomate.
Ambas aplicaciones funcionan sobre la infraestructura informática de HiPerGator, el supercomputador de la Universidad de Florida, permitiendo procesar grandes volúmenes de imágenes sin que el productor deba instalar programas especializados o disponer de equipos de alto rendimiento. Basta con acceder mediante un navegador web y cargar las fotografías para obtener los resultados.
Ventajas para productores y asesores técnicos
El uso de drones representa un cambio significativo respecto a los métodos convencionales utilizados para la predicción del rendimiento en frutilla.
Mientras el conteo manual requiere recorrer numerosas hileras y demanda una elevada cantidad de horas de trabajo, un vuelo puede registrar en pocos minutos una gran superficie del cultivo, reduciendo considerablemente los costos asociados al monitoreo.
Además del ahorro de tiempo, estas herramientas permiten generar información objetiva y repetible durante toda la temporada, facilitando el seguimiento del desarrollo fenológico del cultivo.
Los investigadores destacan que disponer de estimaciones más rápidas puede contribuir a mejorar la planificación de cosechas, el manejo de personal, la logística de embalaje y las estrategias comerciales, especialmente en explotaciones de gran escala donde pequeñas diferencias en la producción representan importantes impactos económicos.
Desde el punto de vista agronómico, la integración de inteligencia artificial con sensores remotos también abre nuevas oportunidades para desarrollar sistemas de agricultura de precisión, capaces de detectar variaciones dentro del predio y apoyar decisiones de manejo más eficientes.
💡 Te podría interesar
🍓 ¿Se pueden reducir los residuos de pesticidas en la frutilla y en otros berries?
La tecnología aún continúa perfeccionándose
Durante la temporada 2025-2026, el equipo de investigación recopiló imágenes en la granja experimental del Centro de Investigación y Educación de la Costa del Golfo (GCREC) y en dos explotaciones comerciales de Florida para validar el desempeño de las herramientas.
Los resultados obtenidos hasta ahora muestran un comportamiento prometedor. De acuerdo con Wang, PhenoSeg realiza correctamente la segmentación individual de las plantas.
En cambio, PhenoSnap todavía presenta una limitación importante: en algunas situaciones subestima la cantidad real de flores y frutos presentes en las imágenes. Los investigadores reconocen este comportamiento y trabajan en el perfeccionamiento de los modelos de visión artificial para incrementar la precisión del sistema.
El proyecto reúne además a especialistas en horticultura, extensión agrícola y mejoramiento genético, entre ellos Wael Elwakil, Shinsuke Agehara, Vance Whitaker y Jessica Chitwood-Brown, quienes han contribuido al desarrollo de los algoritmos de detección específicos para frutilla y tomate.
El siguiente paso será ampliar las pruebas en más explotaciones comerciales. El equipo de la Universidad de Florida invitó a productores interesados a participar en la validación de las plataformas, con el propósito de obtener retroalimentación directa desde el campo y adaptar las herramientas a las condiciones reales de producción.
El desarrollo de soluciones basadas en inteligencia artificial confirma una tendencia que también impulsan diversos centros de investigación internacionales: utilizar análisis de imágenes, aprendizaje automático y agricultura digital para fortalecer la predicción del rendimiento en frutilla, optimizar el uso de los recursos y entregar información cada vez más precisa para la toma de decisiones productivas.
Fuente:
UF/IFAS (Universidad de Florida – Instituto de Ciencias Agrícolas y Alimentarias)
