gabvmon.com
← Todos los proyectosCompletado

Vehículo autónomo para análisis de suelos con espectroscopía NIR

Tesis de ingeniería. Diseño completo de un robot que estima nutrientes del suelo en campo combinando espectroscopía NIR y machine learning. Aprobada por unanimidad.

Rol
Autor (diseño mecánico, electrónico, control, ML e interfaz)
Contexto
Tesis de Ingeniería Mecatrónica, PUCP
Periodo
2024 – 2026
Stack
PythonScikit-learnPandasJupyterAutodesk InventorRaspberry Pi 5ESP32LoRa 433 MHzFigma
Vehículo de la tesis en semitono sobre el mapa de nutrientes

El problema

Para fertilizar bien hay que saber qué nutrientes tiene el suelo, y eso cambia con el tiempo. Hoy la forma de saberlo es mandar muestras a un laboratorio: unos S/ 250–300 por muestra y días de espera. Para un monitoreo frecuente, eso se vuelve inviable, sobre todo para productores pequeños y medianos.

La propuesta

Un vehículo terrestre autónomo que recorre el terreno, perfora el suelo, baja una sonda NIR (infrarrojo cercano), captura el espectro y estima los nutrientes en campo con un modelo de aprendizaje automático. Los resultados se ven en un mapa desde el celular o la computadora.

Render del vehículo con sus componentes principales

El diseño siguió la metodología VDI 2221 y cubre todos los subsistemas:

Machine learning

Entrené modelos de regresión multivariable sobre espectros de la Open Soil Spectral Library y LUCAS 2015 (Unión Europea), incluyendo el procesamiento de los archivos binarios ASD del espectrofotómetro. Comparé un MLP contra un SVR optimizado con Dung Beetle Optimizer (DBO-SVR). El DBO-SVR ganó en casi todas las variables:

Propiedad del suelo R² RPD
Nitrógeno 0.956 4.75
pH (CaCl₂) 0.948 4.38
Carbonato de calcio 0.946 4.30
pH (agua) 0.943 4.20
Carbono orgánico 0.932 3.83

Un RPD mayor a 3 se considera una capacidad predictiva muy alta en espectroscopía de suelos. Fósforo y potasio quedaron por debajo, algo esperable porque su respuesta en el rango NIR es débil.

Viabilidad económica

Lo que aprendí

Lo más difícil fue integrar disciplinas. La estructura, la electrónica, el control, la espectroscopía y los modelos de predicción se condicionan entre sí: el peso del espectrofotómetro cambia el chasis, el chasis cambia el consumo y el consumo cambia la autonomía. Aprendí a tomar decisiones mirando el sistema completo y no cada parte por separado.

Siguiente paso

La tesis fue de diseño y simulación. La interfaz web del sistema la estoy implementando como proyecto aparte: Niranden.