Pesquisadores informam que um robô para colheita de morangos capaz de soprar as folhas para o lado antes de alcançar a fruta aumenta a taxa de sucesso da colheita em lavouras reais.
Esse avanço aproxima uma das tarefas mais delicadas do campo do apoio de máquinas, ainda que, por enquanto, pessoas continuem executando o serviço com maior rapidez.
Como os robôs funcionam
Em canteiros de morango a céu aberto, é comum que as frutas maduras fiquem escondidas sob folhas, o que atrapalha a visão do equipamento e também reduz o espaço para o braço alcançar o alvo.
Na Washington State University (WSU), engenheiros registraram esse obstáculo e desenvolveram um robô que remove a barreira de folhas antes de tentar colher.
Nos testes em campo, a taxa de colheita subiu para 73.9% com o ventilador, contra 58.1% quando o sistema operava sem essa ajuda.
Apesar do ganho, cada morango ainda exigiu cerca de 20 segundos para ser colhido. Essa limitação mantém a escassez de mão de obra como ponto central do problema.
Lacunas de mão de obra na agricultura
Em todo o estado de Washington, o número de trabalhadores rurais caiu 23% de 2017 a 2022, enquanto a mão de obra migrante recuou 37%.
Essa pressão aparece com mais força em pomares e áreas de berries, onde frutos maduros precisam ser localizados, avaliados e retirados com cuidado.
“Hand harvesting costs a lot of money,” disse Lav Khot, professor de agricultura de precisão no Departamento de Engenharia de Sistemas Biológicos da WSU.
Diante desse cenário, a WSU segue criando assistentes de colheita que aliviam o esforço no dia a dia, em vez de apostar apenas em esperar por uma colheitadeira totalmente autônoma.
Robótica macia em pomares
Outro grupo da WSU desenvolveu um braço para maçãs feito de material macio e inflável com ar, capaz de operar perto dos galhos sem raspar as frutas.
Como o corpo de tecido é leve e se move de forma suave, diminui o risco de machucar maçãs ou danificar ramos.
As fileiras modernas de pomares, muitas vezes conduzidas em paredes mais planas, combinam com esse tipo de projeto, já que corredores mais retos oferecem trajetos mais simples para máquinas.
Só a segurança não resolve a falta de gente na colheita, mas evidencia como o hardware dos pomares vem sendo redesenhado considerando trabalhadores e árvores.
Dados orientam decisões
Dados de clima e de cultivo são relevantes porque a AgWeatherNet ajuda produtores a acompanhar condições antes de mobilizar robôs ou equipes.
A AgWeatherNet da WSU transforma leituras de estações em ferramentas que sinalizam calor, geada, momento de irrigar e risco de pragas.
Essas ferramentas se apoiam em aprendizado de máquina, um tipo de software que identifica padrões úteis em grandes volumes de dados, em vez de depender apenas de regras fixas.
Para a automação, acertar o timing local faz diferença, porque enviar uma máquina cedo demais ou tarde demais pode desperdiçar tanto mão de obra quanto água.
Água segue sensores
Em um pomar de Mattawa, no centro de Washington, a irrigação automatizada consumiu 52.4% menos água do que um bloco de comparação.
Os produtores chegaram a esse resultado ao conectar sinais de solo, planta e clima a programações que ajustavam automaticamente horário e volume.
Mesmo com a redução, os pesquisadores relataram ausência de sinais de estresse nas árvores e estimaram maior eficiência no uso de água.
A robótica depende do mesmo fluxo de informação no tempo certo, já que irrigação, resfriamento e planejamento de colheita estão fortemente interligados.
O tempo varia dentro das áreas
Um bloco de pomar pode aquecer ou esfriar de modo diferente do bloco ao lado, o que reforça por que o clima em escala de fazenda é importante.
Produtores chamam isso de microclima – o clima em uma área muito pequena – e ele define quando a fruta sofre estresse.
Com dados mais locais, previsões poderiam orientar decisões em nível de acre, permitindo que máquinas atuem em um ponto frágil em vez de tratar o campo inteiro.
Esse nível de precisão pode manter a automação viável, já que fazendas raramente apresentam falhas ou sucessos do mesmo jeito em toda a área.
Humanos seguem no centro
Nenhum protótipo em Washington está substituindo equipes por completo, e os melhores resultados continuam aparecendo quando máquinas trabalham junto com pessoas.
Trabalhadores ainda avaliam frutos difíceis, deslocam bins, acompanham reparos e decidem quando uma área está complexa demais para o software.
“The stress we used to have to grow things, I think AI can help to mitigate that stress on humans,” disse Khot.
Nessa perspectiva, as máquinas funcionam como parceiras: tiram a carga repetitiva, enquanto o julgamento humano permanece no comando.
Velocidade continua sendo um desafio
A colheita de morangos por robôs ainda fica muito atrás do ritmo de equipes humanas experientes, sobretudo quando a fruta se esconde sob folhas irregulares.
Robôs de pomar enfrentam outro tipo de lentidão, porque cada movimento precisa desviar de galhos, fios de condução e frutos próximos.
Lama, reflexo do sol, vento e mudanças no crescimento das plantas também levam esses sistemas além das condições controladas de um laboratório.
É provável que o avanço venha na forma de reduções constantes do trabalho repetitivo, e não como uma única máquina que, de repente, faça tudo.
Confiança leva tempo
Produtores não adotam um equipamento novo só porque ele funcionou uma vez, e universidades públicas precisam demonstrar valor de maneira repetida.
Dias de campo, dados compartilhados e testes dentro das propriedades contam muito, porque agricultores precisam observar como as ferramentas se comportam ao longo de temporadas reais.
Quando testa tecnologias ao lado de produtores, a WSU atua como uma universidade land-grant, uma instituição pública criada para servir às comunidades.
No fim, esse trabalho contínuo e voltado ao público pode definir se protótipos viram ferramentas do cotidiano ou permanecem apenas como demonstrações.
O que muda agora
O cenário que se forma em Washington não é de fazendas sem gente, e sim de propriedades onde dados e máquinas absorvem a carga repetitiva.
À medida que as soluções ficam mais rápidas e mais locais, a principal questão passa a ser quanto do trabalho manual pesado elas conseguem retirar primeiro.
Comentários
Ainda não há comentários. Seja o primeiro!
Deixar um comentário