Chile es un exportador enorme de paltas, cerezas y uva de mesa, y su sector forestal exporta miles de millones de dólares al año. Y sin embargo, la palabra «Jetson» casi no aparece en su prensa agrícola. La buscamos en redagricola, portalfruticola y simfruit sin resultados; la excepción que encontramos es una nota de Portal Agro Chile de 2025 sobre DeepAgro, una startup argentina que trabaja con placas Jetson. Este artículo recorre lo que ya está probado con cifras, y dónde está el vacío.
Paltos: el Jetson es hasta 22 veces más rápido que una Raspberry Pi
La antracnosis y la pudrición radicular por Phytophthora cinnamomi atacan al palto; en huertos del sur de India, estas y otras enfermedades foliares provocan pérdidas anuales estimadas de rendimiento del 20% al 40%. Un equipo indio montó un pipeline con dron multiespectral para detectarlas temprano, alcanzando mAP@0,5 de 0,937 y 96% de exactitud.
El dato que decide una arquitectura está en su comparación de despliegue: el mismo modelo corre a 69,5 ms por fotograma en un Jetson Orin Nano frente a 1.545 ms en una Raspberry Pi 5 (con PyTorch en el Jetson y ONNX Runtime en la Raspberry Pi). Una diferencia de 22×: el Jetson llega a tiempo real y la Raspberry Pi queda para relevamientos programados. Con ONNX en ambos, el Jetson queda entre 72 y 90 ms y la ventaja sigue siendo de más de 15 veces. El equipo del estudio es el Orin Nano original, de 40 TOPS. En las pruebas de despliegue, los equipos procesaron cuadros reales de dron conectados a una cámara multiespectral, en condiciones de huerto simuladas, y ninguno de los dos sufrió thermal throttling en sesiones extendidas.
La salvedad honesta: son huertos indios. La presión de inóculo, las variedades y el manejo difieren, así que las cifras de exactitud no se trasladan sin más. Las de rendimiento del hardware, sí.
Poda de viñedo y packing de fruta
La poda invernal exige mano de obra calificada, y cada temporada hay que conseguirla. Un grupo de la Universidad de Extremadura tomó otro camino que los trabajos que reconstruyen la estructura de la vid o detectan yemas: entrenaron el modelo para detectar directamente la zona de corte, distinguiendo tronco, sarmiento podado y sin podar. Con YOLOv8-S obtuvieron mAP50 de 0,883 y ~55 ms de inferencia sobre un Jetson AGX Orin, unos 18 FPS: suficiente para un brazo que avanza planta por planta.
Es, además, de los pocos trabajos de poda de vid con cómputo embebido y cifras publicadas que encontramos. En los robots comerciales de viñedo que revisamos, como Vitibot Bakus o Yanmar YV01, no encontramos publicada su plataforma de cómputo.
En packing, un equipo mexicano clasificó variedad de manzana y detectó daño a 37 FPS sobre un Jetson Xavier NX con 94–99% de exactitud, usando solo el espectro visible, con una cámara web USB: sin cámara hiperespectral ni NIR.
Madera: cubicar pilas de trozos desde el techo de un vehículo
Según el Instituto Forestal (INFOR), las exportaciones forestales chilenas sumaron US$2.663,4 millones FOB entre enero y mayo de 2025, un 8,8% más que en igual período de 2024; la celulosa química explicó el 55,7%. Antes de llegar a la planta, cada pila de trozos a orilla de camino se cubica, y en buena parte del mundo eso todavía se hace a mano.
La danesa Dralle resolvió ese paso con sScale: una unidad de cámaras estéreo 3D montada en el techo de un vehículo que mide la pila al pasar frente a ella. El fabricante declara una desviación menor a ±3%, con certificación del instituto metrológico alemán (PTB), y opera con lluvia, nieve y de noche. Según Timber-Online, a fines de 2023 había 22 equipos en Alemania que midieron 5,7 millones de m³ ese año; entre sus clientes están los bosques estatales de Baviera y Turingia.
El dato que interesa aquí es el cambio de cerebro. El sistema original corría en un PC x86 con visión clásica (algoritmos de cuenca y transformada de Hough). Al migrar a una plataforma con NVIDIA Jetson Orin, la detección de caras de trozo pasó a hacerse con aprendizaje automático: hasta 1.000 caras por cuadro en 200 ms. La migración tomó tres meses. Lo cuenta Aetina, el integrador que fabricó la plataforma de cómputo, no Dralle, así que es la versión del proveedor; el modelo exacto del módulo no está publicado.
En durabilidad es un caso favorable: es una unidad robusta montada en el techo de un vehículo, expuesta a polvo y lluvia, no a inmersión ni a niebla salina.
De la cancha a la máquina forestal: lo que miden los papers
La investigación va un paso más allá: que la máquina encuentre los trozos por sí sola. En 2023, Li y Lideskog (Croatian Journal of Forest Engineering) montaron una cámara estéreo ZED2 y un Jetson AGX Xavier en una máquina forestal no tripulada. El sistema detecta trozos cortados con YOLOv3-Tiny, con mAP de 80,51%, y los ubica con un error medio de posición que no supera los 0,27 m y un error de ángulo menor a 3°. Publica cerca de una estimación por segundo, sobre un Xavier, la generación anterior a Orin.
El proyecto SAHA (arXiv, enero de 2026) muestra hacia dónde va el hardware: una cosechadora robótica pequeña que, con autonomía supervisada, llega por el bosque hasta los árboles que marca un operador para raleo selectivo, con un Jetson AGX Orin en su kit de percepción, dentro de un gabinete ABS reforzado, probada en bosques de Finlandia.
Lo citado termina ahí. Ninguna de estas fuentes une estos sistemas con pino radiata o eucalipto, ni con operación en Chile: sScale opera sobre todo en Europa, y los papers se validaron en Suecia y Finlandia. Inferimos que la tarea es transferible, porque una cara de trozo es una cara de trozo, pero el modelo tendría que reentrenarse con trozos locales: otra corteza, otros diámetros, otra forma de apilar.
Dos advertencias que ahorran un piloto fallido
No cualquier modelo da tiempo real. Un benchmark de detección de racimos y troncos en viñedo midió RetinaNet con ResNet-50 y obtuvo solo 3 a 5 FPS en Jetson Nano y TX2, más lento que las FPGAs con las que competía. Son módulos anteriores a Orin, pero la advertencia sigue vigente: el modelo se elige según el módulo, y en uno de entrada conviene partir por uno liviano.
El presupuesto de potencia es real. El kit de percepción de la cosechadora SAHA, con su AGX Orin, tiene un consumo estimado de 52 W, alimentado desde el riel de 24 V de la máquina o desde una batería externa. En un equipo sin red eléctrica, o en un gabinete cerrado al sol, esa cifra decide el diseño completo: batería, panel y disipación.
Lo que no encontramos publicado
No encontramos ningún caso publicado de una línea de packing de cereza o uva de mesa operando con Jetson, ni de detección de botritis. Tampoco encontramos publicada la plataforma de cómputo de proveedores con operación probada en Chile, como Tevel, que cosechó manzana con Unifrutti en Linares en 2023.
En lo forestal, no encontramos ningún caso público en Chile de cubicación de pilas o de camiones con visión artificial en el borde, ni un conjunto de datos público de caras de trozo de pino radiata o eucalipto.
La oportunidad
El patrón se repite: la tecnología está probada, las cifras están publicadas, y en lo publicado casi nadie en Chile lo está usando en agro ni en la cancha de trozos. En nuestro barrido de publicaciones con afiliación chilena que mencionan Jetson encontramos 45 trabajos —señalética vial, robótica, minería, madera, incendios— y solo uno agrícola.
Si estás en un packing, una viña o una faena forestal y quieres evaluar un piloto, escríbenos: partimos por definir qué modelo cabe en qué módulo antes de que compres nada.
