La fenotipificación vegetal basada en rasgos observables desempeña un papel fundamental en la agricultura moderna, tanto para detectar el estrés como para relacionar las respuestas fisiológicas con el genotipo en los programas de mejora genética. Los sistemas basados en visión pueden estimar variables macroscópicas como la tasa de crecimiento, la biomasa o el rendimiento. Sin embargo, en el contexto del cambio climático, comprender cómo responden las distintas variedades vegetales al estrés ambiental exige acceder a indicadores fisiológicos que vayan más allá de la captura pasiva de imágenes.
La fluorescencia de la clorofila es un indicador directo de la actividad fotosintética y una señal sensible del estrés vegetal. Las mediciones tradicionales de fluorescencia en invernadero o en campo se realizan con dispositivos manuales que requieren sujetar físicamente cada hoja y aplicar protocolos controlados de estimulación lumínica. Aunque este método es preciso, requiere mucho trabajo, intervención manual y no se adapta bien a la fenotipificación de alto rendimiento.
Los avances recientes en electrónica miniaturizada y la amplia disponibilidad de componentes desarrollados para dispositivos portátiles han permitido crear sensores de fluorescencia más compactos. Un dispositivo portátil proporcionado por el Jan IngenHousz Institute permite realizar registros prolongados con el sensor fijado a la hoja. Aunque estos sistemas compactos generan datos temporales de alta calidad, su instalación y retirada siguen requiriendo posicionamiento manual, lo que dificulta y ralentiza la automatización de mediciones a gran escala y con resolución espacial.
Una plataforma robótica automatiza las mediciones específicas de fluorescencia de la clorofila en múltiples hojas y plantas mediante un único sensor portátil. El sistema integra un manipulador robótico y una articulación cardán para la cámara y el sensor, lo que permite posicionar con precisión la sonda de fluorescencia. Primero se describen la arquitectura mecánica de la plataforma y la integración y validación experimental del sensor de fluorescencia; a continuación, se presenta un sistema de percepción para detectar y localizar hojas en 3D. Después, las estrategias de planificación del movimiento generan trayectorias sin colisiones para colocar el sensor respetando restricciones geométricas y de accesibilidad.
Al combinar la detección fisiológica activa con la percepción y la manipulación robóticas, el sistema permite realizar una fenotipificación vegetal escalable, reproducible y espacialmente resuelta, y ofrece una solución basada en robótica para la inspección agrícola de alto rendimiento.
Hardware
La configuración de hardware de la plataforma de detección activa está diseñada para mantener un coste reducido, con un presupuesto total de entre 1000 y 1500 dólares. La mayor parte del coste corresponde a la plataforma CNC y al bastidor estructural de aluminio que sostiene el brazo.
La articulación cardán de cinco grados de libertad
La unidad de detección consta de un Pi Camera Module 3 y un sensor compacto de fluorescencia de la clorofila, montados en una articulación cardán personalizada, fabricada mediante impresión 3D, en el extremo operativo de un brazo ligero construido con elementos de PLA, PETG y aluminio.
El posicionamiento cartesiano se consigue mediante una plataforma CNC X-Carve, que ofrece un espacio de trabajo plano de 750 × 750 mm y 31,5 mm de desplazamiento en el eje z, con una precisión nominal de aproximadamente 0,05 mm. El control de la orientación corre a cargo de un mecanismo de giro e inclinación de dos ejes accionado por motores paso a paso, capaz de realizar una rotación de 360 grados completa en ambos ejes. Dos anillos rozantes garantizan el suministro continuo de energía y la transmisión de señales sin torsión de los cables.
El movimiento de los ejes CNC se controla mediante controladores de motor conectados a una Raspberry Pi 5. Los motores paso a paso del mecanismo de giro e inclinación reciben las órdenes de una Adafruit Feather M0 conectada mediante USB. La articulación cardán incorpora una Raspberry Pi Zero W para la adquisición local y el control de la cámara y el sensor de fluorescencia, y se comunica de forma inalámbrica con el controlador principal mediante Wi-Fi.
El sistema está organizado en dos nodos distribuidos:
- El nodo de movimiento CNC.
- El nodo de detección de la articulación cardán.
Los nodos se comunican mediante un middleware personalizado que implementa un protocolo de solicitud-respuesta con descubrimiento automático de módulos.
El sensor de fluorescencia
El dispositivo es un sensor activo de fluorescencia de la clorofila. Funciona iluminando la hoja con un LED en la longitud de onda de excitación de la clorofila y midiendo la señal de fluorescencia emitida, que sirve como indicador directo de la actividad fotosintética. Para obtener mediciones precisas, es necesario posicionarlo muy cerca de la hoja, a una distancia aproximada de 5 mm, y alinear el eje óptico lo máximo posible con la normal local de la superficie foliar. Estas restricciones geométricas justifican la necesidad de un posicionamiento y un control de la orientación robóticos precisos.
El sensor se conecta mediante USB, a través de un adaptador serie, al nodo de detección de la articulación cardán, y la comunicación se gestiona mediante un protocolo serie basado en comandos. El sistema permite programar secuencias de excitación, lo que posibilita aplicar protocolos arbitrarios de estimulación lumínica según las necesidades del experimento. Esta flexibilidad hace que la plataforma sea compatible tanto con ensayos de fluorescencia estándar como con paradigmas personalizados de estimulación dinámica.
Para caracterizar la respuesta del sensor, se aplicó una secuencia de pulsos de luz de 1 segundo de duración y con intensidad creciente, separados por intervalos de oscuridad de 30 segundos. Se registró la señal media de fluorescencia durante cada pulso en dos plantas independientes de Pilea peperomioides. Las curvas de respuesta a la luz muestran el comportamiento esperado: un aumento lineal en el régimen de baja iluminación, seguido de una saturación y un descenso gradual a intensidades mayores debido a la disipación no fotoquímica, una respuesta de estrés frente a una iluminación intensa. Estos resultados confirman que el sensor puede captar dinámicas de fluorescencia con significado fisiológico.
A partir de estas mediciones, se calcula un cociente basado en la respuesta relativa de fluorescencia durante el descenso transitorio y el destello saturante. Esta métrica escalar proporciona un indicador compacto y robusto del estrés lumínico, y puede integrarse fácilmente en flujos de trabajo robóticos de fenotipificación automatizada.
Mediciones específicas
El sensor de fluorescencia debe posicionarse con precisión respecto a la hoja. Esto es esencial para garantizar la reproducibilidad y controlar el nivel de ruido de la señal. Por tanto, es necesario detectar cada hoja y ajustar la pose del sensor para que quede orientado hacia el plano de su superficie, a la distancia de trabajo correspondiente.
Componente de percepción
La localización de las hojas requiere reconstruir con precisión la planta en 3D y, posteriormente, segmentar geométricamente cada hoja. Para reconstruir la geometría de la planta, se capturan varias imágenes RGB desde puntos de vista distribuidos en círculo alrededor del espécimen. En los experimentos se utilizaron 80 vistas. Las poses de la cámara se estiman mediante un flujo de trabajo de Structure-from-Motion.
Aunque Structure-from-Motion produce directamente una nube de puntos dispersa o densa, las poses de cámara recuperadas se utilizan como entrada para un algoritmo de reconstrucción por tallado espacial, con el que se obtiene una reconstrucción volumétrica. En esta configuración, el tallado espacial genera una nube de puntos más densa y menos ruidosa que la salida directa de Structure-from-Motion. Una limitación conocida es que el tallado espacial presupone consistencia fotométrica bajo restricciones de silueta y no puede reconstruir con precisión concavidades pronunciadas. Como consecuencia, las hojas muy curvadas o que se ocluyen a sí mismas pueden reconstruirse solo parcialmente.
Dado que el sistema de adquisición utiliza un fondo negro uniforme, basta con una segmentación sencilla basada en el color para aislar la planta de la escena. Se calcula un índice de exceso de verde para generar máscaras binarias, que después se utilizan como siluetas en el flujo de reconstrucción 3D.
A partir de la nube de puntos 3D reconstruida, la segmentación de las hojas se realiza mediante descriptores geométricos locales. Para cada punto, se calcula la matriz de covarianza de su vecindario local a varias escalas espaciales. Se utilizan tres escalas, correspondientes a vecindarios de aproximadamente 30, 100 y 300 puntos. La descomposición en valores propios de esta matriz de covarianza proporciona una representación compacta de la geometría superficial local.
Las estructuras planas, como las láminas foliares, presentan dos valores propios dominantes y uno próximo a cero, mientras que las estructuras lineales, como los tallos, presentan un único valor propio dominante. Estas firmas geométricas permiten distinguir las superficies de las hojas de las estructuras que las sostienen.
Tras la clasificación, las hojas individuales se extraen mediante agrupamiento basado en densidad, un método robusto frente al ruido y a las variaciones en la densidad de puntos. Para cada hoja segmentada se calcula su centroide y se estima la normal de la superficie local en ese punto. Posteriormente, estas características geométricas se utilizan para definir las poses objetivo del sensor de fluorescencia, garantizando una alineación ortogonal y una posición accesible para la medición robótica.
Planificación del movimiento
A partir de los centroides y las normales superficiales de las hojas estimados por el módulo de percepción, una estrategia de planificación del movimiento genera trayectorias para el brazo robótico que evitan colisiones con el volumen de la planta. La estrategia funciona en dos fases:
- Una etapa de planificación global del recorrido desplaza el efector final entre hojas objetivo sucesivas, rodeando la planta.
- Una etapa de aproximación local coloca el sensor a una distancia de separación geométricamente coherente respecto a la superficie de cada hoja.
Interfaz de visualización
Una interfaz web implementada con el framework Dash ofrece una visualización interactiva de la nube de puntos reconstruida y de las ubicaciones de medición correspondientes en cada hoja. La interfaz permite inspeccionar en 3D la distribución espacial de los puntos muestreados, junto con la imagen RGB de la hoja examinada y la serie temporal de fluorescencia registrada.
Esta visualización unificada permite evaluar cualitativamente la precisión del direccionamiento y de las mediciones fisiológicas.
Conclusión
Se presentó una plataforma robótica de bajo coste para la detección activa y automatizada de la fluorescencia de la clorofila en plantas. Al integrar percepción 3D, razonamiento geométrico y manipulación precisa, el sistema permite realizar mediciones de fluorescencia específicas, reproducibles y a escala foliar. Mediante el protocolo de estimulación propuesto, la plataforma demostró que puede distinguir entre hojas adaptadas a la oscuridad y hojas expuestas a la luz basándose en un indicador estándar del estrés lumínico fotosintético.
Aunque la discriminación binaria entre hojas adaptadas a la oscuridad y hojas sometidas a estrés lumínico valida las capacidades de detección y posicionamiento del sistema, las heterogeneidades de estrés más sutiles exigirán un análisis de mayor dimensionalidad de la dinámica de fluorescencia. En este contexto, podrían emplearse métodos de aprendizaje automático, como el aprendizaje de diccionarios, para extraer características informativas de las trazas temporales de fluorescencia y mejorar la sensibilidad ante estados fisiológicos complejos. Los resultados también podrían orientar la colocación de dispositivos fijados a las hojas a partir de la heterogeneidad observada en la planta.
La evaluación actual se realizó con plantas de geometría relativamente sencilla. En especímenes con estructuras muy complejas o que se ocluyen a sí mismas, el flujo de reconstrucción y segmentación puede fallar debido a las limitaciones del tallado espacial. Métodos de reconstrucción 3D más avanzados, como los recientes métodos neuronales, podrían manejar geometrías más complejas, aunque posiblemente a costa de generar nubes de puntos más ruidosas.
Por último, reducir el tiempo de reconstrucción es fundamental para desplegar el sistema en invernaderos o en campo. El trabajo futuro se centrará en acelerar el flujo de percepción, por ejemplo, reduciendo el número de vistas. También resulta de interés integrar el brazo de detección en una plataforma robótica móvil, lo que permitiría realizar una fenotipificación vegetal escalable y autónoma en entornos agrícolas reales.
Agradecimientos
Los autores agradecen a Ludovico Caracciolo y David Kramer, del Jan IngenHousz Institute, que les permitieran utilizar una versión preliminar de su instrumento de fluorescencia, y a Aliénor Lahlou, de Paris Research, Sony CSL, por las fructíferas conversaciones y la ayuda para calibrar el instrumento.
Se utilizó un asistente basado en un LLM para aclarar y corregir el lenguaje empleado en la redacción de este artículo. Todo el contenido científico y sus interpretaciones son responsabilidad exclusiva de los autores.
Preguntas frecuentes
¿Qué señal vegetal mide la plataforma robótica? Mide la fluorescencia de la clorofila, un indicador directo de la actividad fotosintética y una señal del estrés vegetal.
¿Cómo localiza el sistema las hojas individuales? Reconstruye la planta en 3D a partir de múltiples vistas RGB y después utiliza descriptores geométricos locales y agrupamiento basado en densidad para segmentar las hojas individuales.
¿Por qué es necesario posicionar con precisión el sensor de fluorescencia? Las mediciones requieren una distancia de separación aproximada de 5 mm y una alineación óptica próxima a la normal de la superficie de la hoja.
¿Cuáles son las principales limitaciones del sistema actual? El tallado espacial puede fallar con hojas muy curvadas o que se ocluyen a sí mismas, y es necesario reducir el tiempo de reconstrucción para poder desplegarlo en invernaderos y en campo.