Identificamos las variables críticas para controlar el entorno y las métricas biológicas que permitirán entrenar nuestros modelos.
Los algoritmos buscarán correlaciones entre las variables de entrada y las métricas de salida para proponer recetas de cultivo optimizadas. Se aplicarán modelos de regresión multivariable y redes ligeras de visión. Todo el sistema está diseñado para funcionar en lazo cerrado, con mecanismos de seguridad ante desviaciones fisiológicas.
La cámara de crecimiento y los módulos de siembra se fabricarán mediante impresión 3D en materiales PETG/ASA. Esto permite microcanales radiculares, conductos de aire optimizados y una disposición modular que facilita la instrumentación. El diseño se adaptará a distintas especies vegetales.
Estudiante de Ingeniería Electrónica (UniOvi). Responsable del diseño de sensores, actuadores y viabilidad técnica-económica del prototipo.
Desarrollador de software. Encargado de la integración de visión artificial, base de datos temporal y motor de aprendizaje.
Colaboradora con experiencia en fisiología vegetal. Apoya en la definición de necesidades biológicas y parametros iniciales.
Revisión bibliográfica, simulación de dinámica de fluidos y primeras pruebas con componentes electrónicos de bajo coste.
Modelado 3D paramétrico de la cámara, definición de la arquitectura de sensores y selección de actuadores.
Desarrollo de un sistema para 2-3 plantas, con adquisición de datos en tiempo real. Inicio de pruebas con cultivo modelo (albahaca) para calibrar sensores y validar lazos de control.
Ampliación a bancada de 12 plantas, integración de análisis químico externo (cromatografía) y refinamiento del modelo predictivo.
El prototipo que desarrollaremos para empezar a medir todas las variables mencionadas y establecer la primera base de datos de entrenamiento.
SHT40 (Tª/HR ambiente), DS18B20 (Tª raíz), sonda EC/pH (Atlas Scientific), MLX90614 (Tª foliar), SCD40 (CO₂), SGP30 (VOCs), ESP32-CAM.
Piezoeléctrico de 1.7MHz, tiras LED PWM (660nm/450nm), ventilador 12V con deflector, bomba peristáltica para control de pH/EC.
ESP32-S3 para adquisición en tiempo real + Raspberry Pi 4 para procesamiento de visión y coordinación de modelos. Comunicación MQTT, base de datos y desarrollo de dashboard.
Control PID para EC/pH, lazo cerrado de VPD, gestión de espectro por etapa fenológica y protecciones de seguridad (temperatura, nivel bajo de agua).
Buscamos partners tecnológicos, instituciones de I+D e inversores early-stage interesados en agricultura de precisión y biotecnología. Actualmente en fase pre-seed, construyendo el primer prototipo funcional.
Contactar a los fundadores