Proyectos

Métodos basados en representaciones neuronales implícitas están empezando a usarse ampliamente en distintos ámbitos de visión computacional, robótica y sensado remoto. Este tipo de representaciones están permitiendo abordar múltiples problemas en ambientes no controlados como la agricultura, de manera robusta. Por ejemplo, métodos basados en Neural Radiance Fields (NeRF) se están explorando de manera amplia tanto con imágenes satelitales como en problemas de robótica de campo. En este contexto, el proyecto busca aunar competencias en visión computacional y aprendizaje de máquinas, usadas en la detección remota y en robótica, para abordar nuevas técnicas basadas en representaciones neuronales implícitas, para aplicaciones de la agricultura de precisión. Para lograr este objetivo, los investigadores convocados tienen un profundo conocimiento en estas áreas complementarias. Es importante destacar que las áreas de sensado remoto (satelital y drones) y sensado próximo (robots y redes de sensores) están experimentando una aceleración sin precedentes. En el caso de sensado remoto, además de los grandes programas públicos como Sentinel, los actores privados están creando flotas de microsatélites capaces de vigilar la Tierra con revisitas diarias. Estos datos abundantes, baratos y de alta resolución están creando oportunidades para desarrollar aplicaciones novedosas para la supervisión de la actividad agrícola. En el caso del sensado próximo, las redes de sensores, junto con el uso de robots para monitoreo, está permitiendo un seguimiento regular de los procesos agrícolas, con una alta resolución temporal y espacial, por lo que cada vez hay una mayor disponibilidad de datos, que complementan los datos obtenidos mediante sensado remoto. A nivel de uso, estas tecnologías se complementan, y a nivel de investigación, las técnicas utilizadas están empezando a converger, mediante el uso de métodos basados en redes neuronales, y más específicamente por métodos basados en representaciones neuronales implícitas, tales como Neural Radiance Fields (NeRF). Por todo esto, el estudio del sensado remoto y próximo de manera conjunta, y mediante marcos de trabajo con técnicas similares como las representaciones neuronales implícitas, tiene un gran potencial para en un futuro próximo generar una visión integrada de los procesos agrícolas mejorando la sostenibilidad y eficiencia en la agricultura. Durante su ejecución, el proyecto llevará a cabo actividades de investigación conjunta, incluyendo seminarios online regulares, la toma de datos en terreno, y un workshop de cierre en el contexto de una conferencia internacional, que junto con el intercambio de investigadores en formación (magíster, doctorado y/o postdoctorado), así como visitas de investigadores senior, buscan articular una de red de trabajo que aborde de manera interdisciplinar y con técnicas modernas, problemáticas de sensado remoto y próximo en agricultura de precisión mediante representaciones neuronales implícitas, tales como Neural Radiance Fields (NeRF), entre otras.

El proyecto busca aunar competencias en visión computacional y fruticultura, para habilitar la construcción de modelos de crecimiento y madurez de cerezas a partir de modelos 3D construidos a partir de imágenes hiperespectrales. En particular se desarrollarán algoritmos de visión computacional 3D basados en representaciones neuronales implícitas para estimar el color y tamaño de frutos en cerezo durante el ciclo de crecimiento y cosecha, así como para estimar y correlacionar información hiperespectral con variables de calidad, como firmeza y grados brix de los frutos. A partir de estos algoritmos, se desarrollará una metodología para la construcción de modelos de crecimiento de los frutos que aporten a mejorar la calidad de la fruta fresca de exportación. Es importante destacar que métodos de machine learning basados en representaciones neuronales implícitas están empezando a usarse ampliamente en distintos ámbitos de visión computacional, robótica y sensado remoto. Este tipo de representaciones está permitiendo abordar múltiples problemas en ambientes no controlados en la agricultura, de manera robusta. Por ejemplo, métodos basados en redes neuronales implícitas, tales como Neural Radiance Fields (NeRF) y Deep Signed Functions (DeepSDF) se están explorando para aplicaciones tales como reconstrucción 3D de frutas, árboles y huertos, habilitando aplicaciones de agricultura de precisión, como conteo de frutas y análisis fenológico. Para que el desarrollo de estas aplicaciones tenga un impacto en la agricultura, es necesario el desarrollo de modelos desde una mirada interdisciplinar, considerando tanto métodos del estado del arte de visión computacional y machine learning, así como un conocimiento profundo de fruticultura y en particular de fisiología de los árboles frutales caducos. La calidad de la fruta de exportación es un pilar fundamental de nuestra fruticultura, y desde esa base, se considera importante el desarrollo de herramientas de monitoreo y diagnóstico que permitan predecir calidad y condición de la fruta oportunamente, y sobre todo bajo un escenario de cambio climático. En la temporada 2021-2022, un 20% de las cerezas presentaron serios problemas de calidad en los mercados de destino. De este volumen, un 28-47% se relacionaron con problemas de manejo en precosecha. En la agricultura convencional el uso de datos ha sido limitado a conocer procesos productivos puntuales tales como el monitoreo de variables ambientales o fisiológicas, las que han dado cuenta de un cierto estado del sistema de la planta de manera indirecta. Algunos avances en automatización en la toma de datos se han reportado para la aplicación de riego de precisión. Sin embargo, desde el mundo académico no existe un gran aprovechamiento de los avances en inteligencia artificial para la agronomía. En efecto, la predicción del comportamiento de variables productivas complejas, especialmente aquellas ligadas a la calidad de la fruta representan aún un desafío no resuelto en la industria nacional. En este sentido las técnicas de machine learning han sido utilizadas con éxito para predecir el rendimiento en diversas especies agrícolas, incluyendo frutales. No obstante, la calidad de fruta ha sido escasamente abordada, pese a existir capacidades teóricas. Debido a esto surge la necesidad del desarrollo de herramientas para construir modelos de crecimiento y madurez de cerezas, así como para que los productores puedan hacer seguimiento de su producción, y en particular de la calidad de ésta. Con el objetivo de desarrollar una metodología para la construcción de modelos de desarrollo de cerezas mediante imágenes hiperespectral y modelos computacionales 3D de frutos, y así aportar a la mejora de la calidad de la producción de la cereza, el proyecto propone abordar tres grandes objetivos: ● Diseñar y capturar base de datos de imágenes, de variables agroclimáticas y mediciones fisiológicas. ● Desarrollar métodos de visión computacional y IA para la estimación de calibre, firmeza, color, y grados brix de cerezas. ● Desarrollar, calibrar y validar modelos de crecimiento de cerezas a partir de los resultados obtenidos con los algoritmos de visión computacional y IA desarrollados. Para alcanzar estos objetivos, los investigadores convocados tienen un profundo conocimiento en las áreas complementarias desde la ingeniería (visión computacional, machine learning y robótica), y la fruticultura (fisiología de los árboles frutales caducos, sistemas de conducción, portainjertos, y gestión de huertos).

[vc_section el_class="container mx-auto align-items-center circle--pattern" css=".vc_custom_1648956589196{padding-top: 3rem !important;}"][vc_row el_class="pb-5"][vc_column][vc_wp_custommenu nav_menu="6"][uoh_breadcrumb_component automatic_breadcrumb="true"][uoh_title_component title_dropdown="big" title_decorator="true"]{{title}}[/uoh_title_component][vc_column_text css=""]El proyecto busca aunar competencias en visión computacional y fruticultura, para habilitar la construcción de modelos de crecimiento y madurez de cerezas a partir de modelos 3D construidos a partir de imágenes hiperespectrales. En particular se desarrollarán algoritmos de visión computacional 3D basados en representaciones neuronales implícitas para estimar el color y tamaño de frutos en cerezo durante el ciclo de crecimiento y cosecha, así como para estimar y correlacionar información hiperespectral con variables de calidad, como firmeza y grados brix de los frutos. A partir de estos algoritmos, se desarrollará una metodología para la construcción de modelos de crecimiento de los frutos que aporten a mejorar la calidad de la fruta fresca de exportación. Es importante destacar que métodos de machine learning basados en representaciones neuronales implícitas están empezando a usarse ampliamente en distintos ámbitos de visión computacional, robótica y sensado remoto. Este tipo de representaciones está permitiendo abordar múltiples problemas en ambientes no controlados en la agricultura, de manera robusta. Por ejemplo, métodos basados en redes neuronales implícitas, tales como Neural Radiance Fields (NeRF) y Deep Signed Functions (DeepSDF) se están explorando para aplicaciones tales como reconstrucción 3D de frutas, árboles y huertos, habilitando aplicaciones de agricultura de precisión, como conteo de frutas y análisis fenológico. Para que el desarrollo de estas aplicaciones tenga un impacto en la agricultura, es necesario el desarrollo de modelos desde una mirada interdisciplinar, considerando tanto métodos del estado del arte de visión computacional y machine learning, así como un conocimiento profundo de fruticultura y en particular de fisiología de los árboles frutales caducos. La calidad de la fruta de exportación es un pilar fundamental de nuestra fruticultura, y desde esa base, se considera importante el desarrollo de herramientas de monitoreo y diagnóstico que permitan predecir calidad y condición de la fruta oportunamente, y sobre todo bajo un escenario de cambio climático. En la temporada 2021-2022, un 20% de las cerezas presentaron serios problemas de calidad en los mercados de destino. De este volumen, un 28-47% se relacionaron con problemas de manejo en precosecha. En la agricultura convencional el uso de datos ha sido limitado a conocer procesos productivos puntuales tales como el monitoreo de variables ambientales o fisiológicas, las que han dado cuenta de un cierto estado del sistema de la planta de manera indirecta. Algunos avances en automatización en la toma de datos se han reportado para la aplicación de riego de precisión. Sin embargo, desde el mundo académico no existe un gran aprovechamiento de los avances en inteligencia artificial para la agronomía. En efecto, la predicción del comportamiento de variables productivas complejas, especialmente aquellas ligadas a la calidad de la fruta representan aún un desafío no resuelto en la industria nacional. En este sentido las técnicas de machine learning han sido utilizadas con éxito para predecir el rendimiento en diversas especies agrícolas, incluyendo frutales. No obstante, la calidad de fruta ha sido escasamente abordada, pese a existir capacidades teóricas. Debido a esto surge la necesidad del desarrollo de herramientas para construir modelos de crecimiento y madurez de cerezas, así como para que los productores puedan hacer seguimiento de su producción, y en particular de la calidad de ésta. Con el objetivo de desarrollar una metodología para la construcción de modelos de desarrollo de cerezas mediante imágenes hiperespectral y modelos computacionales 3D de frutos, y así aportar a la mejora de la calidad de la producción de la cereza, el proyecto propone abordar tres grandes objetivos: ● Diseñar y capturar base de datos de imágenes, de variables agroclimáticas y mediciones fisiológicas. ● Desarrollar métodos de visión computacional y IA para la estimación de calibre, firmeza, color, y grados brix de cerezas. ● Desarrollar, calibrar y validar modelos de crecimiento de cerezas a partir de los resultados obtenidos con los algoritmos de visión computacional y IA desarrollados. Para alcanzar estos objetivos, los investigadores convocados tienen un profundo conocimiento en las áreas complementarias desde la ingeniería (visión computacional, machine learning y robótica), y la fruticultura (fisiología de los árboles frutales caducos, sistemas de conducción, portainjertos, y gestión de huertos).[/vc_column_text][/vc_column][/vc_row][/vc_section][vc_section css=".vc_custom_1649209804184{background-color: #f6faff !important;}" el_class="p-md-0 pt-md-5"][vc_row el_class="container mx-auto align-items-center p-md-0 pt-5"][vc_column el_class="p-0"][/vc_column][/vc_row][/vc_section][vc_section css=".vc_custom_1649210787516{background-color: #f6faff !important;}" el_class="p-md-0 pt-md-5 pb-md-5"][vc_row el_class="container mx-auto align-items-center"][vc_column][/vc_column][/vc_row][/vc_section]

Fondos para apoyar la realizacion de la Third Latin American Summer School on Cognitive Robotics (LACORO 2024). La primera edición se realizó online en octubre de 2020; la segunda fue presencial en enero de 2023; la tercera versión tendrá lugar entre el 9 y el 13 de diciembre de 2024 en la Universidad de O'Higgins en Rancagua, Chile. https://lacoro.org/ Esta Escuela de Verano beneficiará principalmente a Estudiantes y Académicos de las Américas interesados en la Investigación en Inteligencia Artificial aplicada a la Robótica. Nuestro objetivo es fomentar la colaboración nacional y regional en esta área de investigación. Para la primera edición, alcanzamos 241 inscripciones para actividades online de todo el mundo, y la segunda versión tuvo 166 inscripciones para actividades presenciales en enero de 2023, principalmente de Chile, México, Argentina, Brasil y Uruguay.

Fondos para apoyar la realizacion de la Third Latin American Summer School on Cognitive Robotics (LACORO 2024). La primera edición se realizó online en octubre de 2020; la segunda fue presencial en enero de 2023; la tercera versión tendrá lugar entre el 9 y el 13 de diciembre de 2024 en la Universidad de O'Higgins en Rancagua, Chile. https://lacoro.org/ Esta Escuela de Verano beneficiará principalmente a Estudiantes y Académicos de las Américas interesados en la Investigación en Inteligencia Artificial aplicada a la Robótica. Nuestro objetivo es fomentar la colaboración nacional y regional en esta área de investigación. Para la primera edición, alcanzamos 241 inscripciones para actividades online de todo el mundo, y la segunda versión tuvo 166 inscripciones para actividades presenciales en enero de 2023, principalmente de Chile, México, Argentina, Brasil y Uruguay.

Fondos para apoyar la realizacion de la Third Latin American Summer School on Cognitive Robotics (LACORO 2024). La primera edición se realizó online en octubre de 2020; la segunda fue presencial en enero de 2023; la tercera versión tendrá lugar entre el 9 y el 13 de diciembre de 2024 en la Universidad de O'Higgins en Rancagua, Chile. https://lacoro.org/ Esta Escuela de Verano beneficiará principalmente a Estudiantes y Académicos de las Américas interesados en la Investigación en Inteligencia Artificial aplicada a la Robótica. Nuestro objetivo es fomentar la colaboración nacional y regional en esta área de investigación. Para la primera edición, alcanzamos 241 inscripciones para actividades online de todo el mundo, y la segunda versión tuvo 166 inscripciones para actividades presenciales en enero de 2023, principalmente de Chile, México, Argentina, Brasil y Uruguay.

Escuela de Verano Latino Americana de Robotica (LACORO)

Escuela de Verano Latino Americana de Robotica (LACORO)

Escuela de Verano Latino Americana de Robotica (LACORO)

As the world explores alternatives to fossil fuels, hydrogen (H₂) has emerged as a critical element in accelerating the transition to clean and renewable energy sources (Gaucher et al., 2023; Le et al., 2023; Blay-Roger et al., 2024). Unlike gasoline, which emits CO2 when burned, H₂ combustion produces only water vapor, making it a high-quality and environmentally friendly fuel alternative. Hydrogen is primarily produced for industry processes, including “green hydrogen”, “blue hydrogen”, and “gray hydrogen” (IEA, 2019). On the other hand, the so-called “natural” or “white hydrogen” is potentially a more cost-effective and environmentally friendly alternative because it is ready to be used for energy production, without the need for polluting processes to obtain it (Smith et al., 2005; Lapi et al., 2022; Gaucher et al., 2023; Blay-Roger et al., 2024). However, H₂ accumulation in the subsurface has been largely overlooked due to assumptions of its rarity or nonexistence, attributed to the hydrogen's inheritance characteristics (small and reactive molecule). The first fortuitous discoveries in the USA or Mali (West Africa) proved that it was a mistake (Zgonnik, 2020). Currently, the geological processes that generate natural hydrogen have started to be better understood, but the conditions for its accumulation remain poorly constrained (Lévy et al., 2023). The potential for global extraction of natural hydrogen is significant, so it is critical that we understand how it is generated, transported, and ultimately trapped. Recent discoveries of natural hydrogen in various geological settings, including mid-ocean ridges, ophiolitic nappes, transform faults, convergent subduction margins, and intraplate settings (Zgonnik et al., 2020; Jackson et al., 2024) highlight the increasing interest in this resource. As a result, exploration projects are currently active in several countries such as Australia, the USA, France, Spain, and South America (e.g., Zgonnik et al., 2020, Jackson et al., 2024). Experience in managing H₂ reservoirs is obviously still missing, but the analogies should perhaps rather be sought in the field of geothermal energy (Moretti et al., 2023). In terms of geotectonic settings of natural hydrogen formation, subduction zones represent the primary geological environment for the large-scale interaction between water and mantle peridotite, i.e., serpentinization processes (Zgonnik et al., 2020). Serpentinization is the most effective and hence important subsurface process for producing and focusing natural hydrogen in potentially commercial volumes (Jackson et al., 2024). Particularly, in the Central Andean Volcanic Zone (CAVZ; 18-28°S; Fig. 1a) only a limited number of investigations have focused on natural hydrogen data. Moretti et al. (2023) confirmed the presence of natural hydrogen in the Bolivian Altiplano (e.g., Pampa Lirima and Sol de Mañana; Fig. 1a) by using geochemical measurements of gasses from hot springs and in-situ analysis of soil gas. Moreover, the 3He/4He ratios in the Altiplano-Puna plateau indicate that the amount of He uprising from the mantle (i.e., 3He content) is very large (Fig. 1b). This indicates that deep gasses are migrating toward the overriding plate surface above subduction (Fig. 1c). Based on the findings of Moretti et al. (2023), it is highly probable to find natural hydrogen in the Chilean portion of the Altiplano. In this context, the proposed research plans to unlock the geological origin and assess the potential of natural hydrogen in northern Chile. Moreover, this project goes one step further than the study of Moretti et al. (2023) and proposes to investigate the potential occurrences of natural hydrogen associated with specific structural arrangements related to volcanic and geothermal systems (Veloso et al., 2019). For that reason, the acquisition of new geological, structural, geochemical, seismological, and geophysical data is crucial to better understand natural hydrogen systems and to determine the prospectivity of new areas in Chile.