Device for generating prescription maps using embedded AI in precision agriculture

El objetivo de este proyecto, titulado “Dispositivo para la generación de mapas de prescripción mediante IA embebida en agricultura de precisión”, es el diseño e implementación de un sistema hardware autónomo basado en un Vehículo Aéreo No Tripulado (UAV). Este sistema es capaz de capturar imágenes agrícolas, procesarlas localmente utilizando modelos de inteligencia artificial (IA), y generar mapas de prescripción en tiempo real, sin depender de infraestructuras externas. La solución propuesta busca incrementar la autonomía y capacidad de respuesta de las operaciones agrícolas, mejorando la eficiencia y la sostenibilidad mediante el uso de computación en el borde, arquitectura modular orientada a servicios y tecnologías de código abierto. El sistema se fundamenta en conceptos y herramientas de proyectos europeos como AFarCloud y FlexiGroBots, así como en la integración con la plataforma Fleet Manager para la planificación y supervisión de misiones. Esto permite la coordinación dinámica de múltiples UAVs y optimiza la asignación de recursos en el campo. Desde la perspectiva tecnológica, el UAV integra cámaras RGB, un módulo de computación embebida con un acelerador hardware de IA (Hailo-8 y Hailo-8L), y el middleware ROS2 para la comunicación con los UAVs. La arquitectura se apoya en gRPC para la comunicación entre servicios, REST para la interacción con servicios externos, y ThingsBoard para la telemetría en tiempo real y la visualización de resultados. Además, se emplean contenedores Docker para garantizar portabilidad y facilitar el despliegue en diferentes plataformas. En cuanto a restricciones económicas, se priorizó el uso de hardware de bajo costo y software de código abierto, reduciendo gastos y favoreciendo la replicabilidad del sistema. Desde el punto de vista ambiental, la precisión del sistema en la aplicación de tratamientos y la detección temprana de enfermedades contribuyen a un uso más eficiente de los recursos. Este enfoque reduce el impacto ambiental y promueve prácticas agrícolas sostenibles alineadas con los Objetivos de Desarrollo Sostenible (SDG). La metodología de desarrollo se llevó a cabo en dos fases. La primera, de diseño, consistió en la definición de la arquitectura, modelos de información, diagramas UML, y la selección de tecnologías. La segunda, de implementación, incluyó el desarrollo de servicios, integración, creación de flujos de trabajo para captura de imágenes, análisis y generación de mapas de prescripción, así como la validación en entornos simulados. La validación, realizada conforme a la norma ISO/IEC/IEEE 29119:2020, incluyó pruebas funcionales y no funcionales para verificar el sistema. También se evaluó el rendimiento del procesamiento embebido, la robustez de la comunicación y la capacidad del sistema para operar de forma continua bajo condiciones variables. Los resultados muestran que el sistema es estable, eficiente y adecuado para su despliegue en entornos agrícolas reales. El trabajo futuro contempla la expansión de la plataforma hacia vehículos terrestres autónomos (UGV). Otras mejoras incluyen la optimización de los modelos de IA para abarcar más tipos de cultivos y enfermedades, e incorporar análisis multiespectral para diagnósticos más precisos. Estos esfuerzos buscan consolidar una plataforma integral para la gestión inteligente de flotas en la agricultura de precisión. Abstract The objective of this project, entitled “Device for generating prescription maps using embedded AI in precision agriculture” is the design and implementation of an autonomous hardware system based on an Unmanned Aerial Vehicle (UAV). This system is capable of capturing agricultural images, processing them locally using artificial intelligence (AI) models, and generating prescription maps in real time, without relying on external infrastructures. The proposed solution aims to increase the autonomy and responsiveness of agricultural operations, improving efficiency and sustainability through the use of edge computing, modular service-oriented architecture, and open-source technologies. The system builds upon concepts and tools from European projects such as AFarCloud and FlexiGroBots, as well as integration with the Fleet Manager platform for mission planning and supervision. This enables the dynamic coordination of multiple UAVs and optimises resource allocation in the field. From a technological perspective, the UAV integrates RGB cameras, an embedded computing module with an AI hardware accelerator (Hailo-8 and Hailo-8L), and ROS2 middleware for internal communication and mission control. The architecture relies on gRPC for inter-service communication, REST for interaction with external services, and ThingsBoard for real-time telemetry and results visualisation. In addition, Docker containers are employed to ensure portability and facilitate deployment across different platforms. Regarding economic constraints, low-cost hardware and open-source software were prioritised, reducing expenses and favouring system replicability. From an environmental standpoint, the system's precision in treatment application and early detection of diseases contributes to a more efficient use of resources. This approach reduces environmental impact and promotes sustainable agricultural practices aligned with the Sustainable Development Goals (SDG). The development methodology was carried out in two phases. The first, design, involved defining the architecture, information models, UML diagrams, and the selection of optimal technologies. The second, implementation, included the development of microservices, technology integration, creation of workflows for image capture, analysis, and prescription map generation, and validation in simulated environments under different scenarios. Validation, conducted in accordance with the ISO/IEC/IEEE 29119:2020 standard, included functional and non-functional tests to verify the system. Embedded processing performance, communication robustness, and the system's ability to operate continuously under variable conditions were also evaluated. The results show that the system is stable, efficient, and suitable for deployment in real agricultural environments. Future work includes expanding the platform to autonomous ground vehicles (UGV). Other enhancements involve improving AI models to cover more crop types and diseases, and incorporating multispectral analysis for more accurate diagnostics. Additionally, optimising communication protocols for connectivity-limited environments. These efforts aim to consolidate a comprehensive platform for intelligent fleet management in precision agriculture.