Monitoratge intel·ligent de plantacions fructícoles amb sensors fotònics de baix cost per a l’optimització agrícola

Abstract

La caracterització geomètrica i estructural dels arbres fruiters és un requisit fonamental per al desenvolupament de tècniques de fructicultura de precisió, orientades a optimitzar la gestió de recursos i millorar la sostenibilitat de les explotacions. En aquest context, la tecnologia LiDAR s’ha consolidat com una eina robusta i precisa, però el seu elevat cost ha limitat la seva adopció a escala operativa. En paral·lel, les càmeres RGB-D emergeixen com una alternativa més assequible, tot i que el seu rendiment es veu condicionat per factors externs, com ara la il·luminació solar. En aquest treball s’ha dut a terme l’avaluació de sensors fotònics de baix cost (Livox Mid-70 i Mid-360 i Azure Kinect, Intel Real Sense, Stereolabs ZED X Mini), mitjançant el processament de núvols de punts 3D per extreure paràmetres geomètrics clau de la capçada (amplada, alçada i àrea de secció transversal). La metodologia ha inclòs: filtratge inicial de dades, aplicació de codi específic desenvolupat en R per a l’extracció de paràmetres geomètrics i validació experimental en una parcel·la de pereres, amb comparació davant models de referència basats en fotogrametria (Structure from Motion) i sensors LiDAR d’alta gamma (Ouster i Viametris). Aquesta recerca contribueix a establir les bases per al desenvolupament de sistemes de monitoratge assequibles i transferibles al sector agrari, obrint noves oportunitats per a la digitalització i la gestió eficient de les explotacions fructícoles.

The geometric and structural characterization of fruit trees is a fundamental requirement for the development of precision horticulture techniques, aimed at optimizing resource management and improving the sustainability of agricultural production. In this context, LiDAR technology has been consolidated as a robust and accurate tool, although its high cost has restricted its widespread adoption. In parallel, RGB-D cameras have emerged as a more affordable alternative, though their performance is strongly influenced by external factors such as sunlight. This work evaluates the performance of low-cost photonic sensors (Livox Mid-70, Livox Mid-360, and Azure Kinect) through the processing of 3D point clouds to extract key geometric canopy parameters (width, height, and cross-sectional aeras). The methodology included data filtering, specific R-based code for the extraction of structural descriptors, and experimental validation in a pear orchard, with comparisons against reference models based on photogrammetry (Structure from Motion) and high-performance LiDAR sensors (Ouster and Viametris). This research contributes to establishing the basis for the development of affordable and transferable monitoring systems for the agricultural sector, opening new opportunities for digitalization and efficient management of fruit orchards.