Proyectos

[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=""]Esta propuesta tiene como objetivo general articular una red académica nacional e internacional para el fortalecimiento de la investigación, docencia y formación de capital humano avanzado sobre la formación inicial y continua de profesores/as que enseñan matemáticas en la educación parvularia, básica y especial. Si bien diferentes comunidades han reportado que el conocimiento de las matemáticas de los profesores es clave en el aprendizaje de los estudiantes, e incluso en la calidad de las clases que puedan ofrecer, la evidencia actual señala la necesidad de impulsar y potenciar la reactivación de los aprendizajes matemáticos para contrarrestar diversos fenómenos que han afectado el aprendizaje de niños y niñas, tanto a nivel nacional como regional. Por tanto, esta propuesta busca atender al área estratégica de Educación, un área prioritaria para la macrozona centro-sur en la cual se inserta la institución beneficiaria: la Universidad de O’Higgins (UOH). De manera general, esta propuesta se interesa por el conocimiento del profesor y su desarrollo profesional. La institución beneficiaria, la UOH, fue creada en el año 2015 con el objetivo de formar profesionales en y para la región de O’Higgins. A pesar de que actualmente la institución está formando a más de 1.300 estudiantes que cursan carreras de pedagogía, el carácter de universidad nueva requiere potenciar y enriquecer los programas de formación docente en la región. La red académica formada por un grupo de investigadores/as en educación matemática para los niveles iniciales del sistema educativo (educación parvularia, educación básica y educación especial) permitirá establecer vínculos entre diferentes instituciones y académicos, así como transferir las investigaciones científicas a la práctica educativa, fortaleciendo así la formación docente e impactando en el diseño y desarrollo de políticas públicas docentes con énfasis regional. Para abordar la propuesta se ha conformado un equipo nacional compuesto por investigadores asociados a la institución beneficiaria (UOH) y un investigador perteneciente a una universidad nacional asociada de reconocido prestigio en la formación de docentes: la Universidad Metropolitana de Ciencias de la Educación. El equipo nacional trabajará conjuntamente con un grupo de investigadoras de reconocido prestigio en la investigación, innovación y desarrollo relacionado con la enseñanza y aprendizaje de las matemáticas en los primeros niveles educativos. Dichas investigadoras provienen de instituciones españolas (Universidad de Granada y Universidad de Málaga) y de una universidad estadounidense (Tufts University). Esta red académica nacional e internacional permitirá abordar dos grandes áreas de interés: (a) el fortalecimiento de la investigación; (b) el fortalecimiento de la docencia; y (c) el fortalecimiento de la formación de capital humano avanzado. El proyecto que aquí se presenta establece dos modalidades de vinculación que permiten conseguir los propósitos declarados. En primer lugar, la modalidad A favorecerá el desarrollo de pasantías/capacitación de perfeccionamiento de corta duración en el extranjero y la modalidad C, que favorecerá la realización de talleres o seminarios bilaterales y/o multilaterales con la/s institución/es participantes. En cuanto a los resultados esperados, esta red fortalecerá la investigación colaborativa, promoviendo vínculos que permitan publicar recomendaciones y artículos científicos que influyan en políticas públicas y cursos de desarrollo profesional. Además, se busca mejorar la docencia mediante la transferencia de conocimientos y herramientas a docentes en formación y en ejercicio, impactando en el aprendizaje de niños de 3 a 12 años. La formación de capital humano avanzado se logrará mediante convenios de colaboración, tesis conjuntas y talleres para estudiantes de posgrado, enriqueciendo sus capacidades profesionales y académicas. Pasantías de investigadores y estudiantes contribuirán al desarrollo de estas áreas.[/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]

[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 constante aumento de la población humana exige una producción de alimentos que sea rápida y sostenible. Debido a esto, los fertilizantes químicos se han utilizado extensamente, a menudo en exceso, lo que genera múltiples problemas. Esto hace que la sostenibilidad agrícola a mediano y largo plazo dependa de la implementación de alternativas más accesibles y ecológicamente seguras. La productividad agrícola mundial se enfrenta a dificultades debido a tensiones humanas, abióticas y ambientales causadas por el cambio climático. Este proyecto busca resolver estos desafíos mediante el estudio de estrategias sostenibles para mejorar la eficiencia en la producción de maíz en el centro-sur de Chile. El proyecto propone evaluar el impacto de estas estrategias en la absorción y removilización de nutrientes, la sanidad vegetal, así como en el rendimiento y calidad del maíz. En Chile, el maíz desempeña un papel vital en la agricultura, tanto en la alimentación humana como animal. Se prevé que los resultados de esta investigación impulsen una producción de maíz más sostenible y resistente ante los retos ambientales y económicos actuales en la región centro-sur de Chile.[/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]

[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=""]La ocurrencia de desastres asociados a amenazas naturales representa un desafío muy importante para Chile. Los frecuentes incendios en territorios forestales, los costos asociados a aluviones e inundaciones como las ocurridas en los inviernos de 2021 y de 2023 en la región de O’Higgins, e incluso la permanente amenaza de terremotos y volcanes, representan enormes costos para los territorios. Recientemente, la institucionalidad pública ha avanzado en el desarrollo de políticas de prevención de desastres con la aprobación de la Ley 21.364 (2021), creando el Sistema Nacional de Prevención y Respuesta ante Desastres (SINAPRED), sustituyendo la Oficina Nacional de Emergencia (ONEMI) por el Servicio Nacional de Prevención y Respuesta ante Desastres (SENAPRED). La ciencia tiene mucho que aportar a esta nueva institucionalidad pública. La Universidad de O’Higgins (UOH), por ejemplo, colabora con SENAPRED O’Higgins a través de la Mesa de Peligros Geológicos, instaurada el año 2021. No obstante, el desafío de la prevención de desastres y el fomento de la resiliencia necesita otras perspectivas que consideren las características de los espacios geográficos donde se producen los riesgos. Se necesita un trabajo colaborativo con la institucionalidad pública y la comunidad local, pero sobre todo, una perspectiva interdisciplinaria que aúne los conocimientos de la ciencia social y natural. La propuesta presentada busca generar una red que vincule a investigadores/as nacionales (UOH y Universidad de Chile) con investigadores de universidades de Países Bajos (Universidad Libre de Amsterdam) y Dinamarca (Universidad de Copenhague), para realizar actividades de intercambio de experiencias e investigación aplicada. Estos investigadores han logrado incidir en políticas públicas y estrategias a nivel local y regional en diversos países de Europa. Siguiendo una mirada multi-sectorial y nutridos de varias disciplinas, estos expertos han desarrollado perspectivas, herramientas y conocimientos de los cuales, sin duda, podemos aprender dada la coyuntura chilena con su nueva institucionalidad. El proyecto contempla tres etapas para crear y potenciar esta red. Primero, el equipo nacional visitar Ámsterdam y Copenhague para vincularse con equipos interdisciplinarios, intercambiando experiencias de trabajo aplicado. Destaca el trabajo que realiza el equipo de Chile con SENAPRED O’Higgins, y el trabajo aplicado en Europa con el Proyecto LINKS (https://links-project.eu/). Segundo, un experto de Europa visitará la UOH. En esta visita, el invitado participará en reuniones y talleres, y colaborará con investigación aplicada en la región. Y tercero, el proyecto realizará una serie de eventos presenciales, como un seminario nacional con el experto internacional, además de talleres aplicados con diferentes partes interesadas. A estos eventos se invitará a representantes de organismos públicos, académicos/as de otras instituciones y a la comunidad interesada en general. Como resultado, esta red permitirá: (1) intercambiar experiencias y difundir conocimiento aplicado sobre la gestión del riesgo a través de perspectivas interdisciplinarias; (3) potenciar el capital humano de estudiantes de la UOH y promover la investigación interdisciplinaria en la gestión del riesgo; y (3) crear y consolidar una entidad que visibilice el trabajo que realiza la UOH en torno a la gestión del riesgo, contribuyendo así a la reducción del riesgo de desastres a nivel regional y de la macrozona.[/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]

[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=""]Implementación de la investigación 'Uso de inteligencia artificial para la exploración de las bases neuroanatómicas del deterioro del insight en la enfermedad de Alzheimer' desde el cargo de Investigador Postdoctoral del Instituto de Ciencias de la Ingeniería de la Universidad de O’Higgins.[/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]

[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=""]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.[/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]

[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]

[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=""]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.[/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]

[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]

[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=""]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.[/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]

[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]