Ir al menú de navegación principal Ir al contenido principal Ir al pie de página del sitio

SECCIÓN C: INGENIERÍAS

Vol. 13 Núm. 2 (2021): Volumen 13 Número 2

Estimación automatizada del vigor en viñedos

DOI
https://doi.org/10.18272/aci.v13i2.2367
Enviado
junio 23, 2021
Publicado
2021-12-15

Resumen

La estimación delvigor en las vides (peso de recolecion de uvas / peso de poda), es un parámetro útil que los productores utilizan para prepararse mejor para la cosecha y para establecer un plan de agricultura de precisión, lograr una mejor planificación de la zona de cultivo, como por ejemplo, poda o fertilizacion. Tradicionalmente, los cultivadores obtienen este parámetro pesando primero manualmente las cañas podadas durante la temporada de inactividad del viñedo (sin hojas); segundo, durante la cosecha, recolectando el peso de la fruta en las cepas evaluadas en el primer paso y depues correlacionar las dos medidas. Dado que se trata de una tarea muy manual que requiere mucho tiempo, los viticultores suelen obtener este número solo tomando un par de muestras y extrapolando este valor a todo el viñedo, perdiendo toda la variabilidad presente en sus campos, lo que implica una pérdida de información que puede llevar a peor calidad y cantidad de la uva. En este artículo desarrollamos un algoritmo basado en visión por computadora que es robusto a las diferencias en el sistema de trellis, a variedades y condiciones de luz ambiental; para estimar automáticamente el peso de poda y consecuentemente la variabilidad de vigor dentro del lote. Los resultados se utilizarán para mejorar la forma en que los productores planifican la poda anual de invierno, avanzando en la transformación hacia la agricultura de precisión. Nuestra solución propone crear mapas de prescripción (instrucciones detalladas para la poda, cosecha y otras decisiones de manejo específicas para la ubicación) automaticamente, basados en el vigor obtenido de procesar las fotografias dela vid. Nuestra solución utiliza técnicas de Deep Learning(DL) par a obtener la segmentación de los árboles de vid directamente de la imagen capturada en el campo durante la temporada de inactividad. Los resultados muestran que podemos obtener mapas de interpolación básicamente equivalentes entre nuestro método y el conjunto de validación obtenido ponderando manualmente el peso de la poda.

viewed = 268 times

Citas

  1. M. Diago, M. Krasnow, M. Bubola, B. Millan, and J. Tardaguila. Assessment of vineyard canopy porosity using machine vision. American Journal of Enology and Viticulture, pp. 229- 238 v. 67, 2016. doi: https://doi.org/10.5344/ajev.2015.15037
  2. M. P. Diago, A. SanzGarcia, B. Millan, J. Blasco, and J. Tardaguila. Assessment of flower number per inflorescence in grapevine by image analysis under field con-ditions. J. Sci. Food Agric., 94, 2014. doi: https://doi.org/10.1002/jsfa.6512
  3. K. Divilov, T. Wiesner-Hanks, P. Barba, L. Cadle-Davidson, and B. I. Reisch. Computer vision for high-throughput quantitative phenotyping: A case study of grapevine downy mildew sporulation and leaf trichomes. Phytopathology, 107(12): 1549-1555., 2017. doi: https://doi.org/10.1094/PHYTO-04-17-0137-R
  4. F. P. Georgiana and S. V. G. Gui. An automatically crown-truck segmentation in tree drawing test. 11th International Symposium on Electronics and Telecommu-nications (ISETC)At: Timisoara, Romania, 2014. doi: https://doi.org/10.1109/ISETC.2014.7010804
  5. R. Girshick, I. Radosavovic, G. Gkioxari, P. Doll 'ar, and K. He. Detectron. https://github.com/facebookresearch/detectron, 2018.
  6. K. He, G. Gkioxari, P. Doll'ar, and R. B. Girshick. Mask R-CNN. CoRR, abs/1703.06870, 2017.
  7. I. Inc. Intel realsense, https://www.intelrealsense.com/. Intel Inc, 4 2020.
  8. W. Ji, X. Meng, Z. Qian, B. Xu, and D. Zhao. Branch localization method based on the skeleton feature extraction and stereo matching for apple harvesting robot. International Journal of Advanced Robotic Systems, 2018. doi: https://doi.org/10.1177/1729881417705276
  9. J. Kirchener. Automatic image-based determination of pruning mass as determinant for yield potential in grape vine management. J. Sci. Food Agric., 94, 2017. doi: https://doi.org/10.1111/ajgw.12243
  10. A. Kornilov and I. Safonov. An overview of watershed algorithm implementations in open source libraries. Journal of Imaging, 4:123, 10 2018. doi: https://doi.org/10.3390/jimaging4100123
  11. J. Long, E. Shelhamer, and T. Darrell. Fully convolutional networks for semantic segmentation. CoRR, abs/1411.4038, 2014.
  12. Y. Majeed, J. Zhang, X. Zhang, L. Fu, M. Karkee, Q. Zhang, and M. D. Whiting. Apple tree trunk and branch segmentation for automatic trellis training using convolutional neural network based semantic segmentation. IFAC-PapersOnLine, 51, 2018. doi: https://doi.org/10.1016/j.ifacol.2018.08.064
  13. K. Maninis, S. Caelles, J. Pont-Tuset, and L. V. Gool. Deep extreme cut: From extreme points to object segmentation. CoRR, abs/1711.09081, 2017.
  14. nsf. National artificial intelligence (ai) research institutes. AI-Driven Innovation in Agriculture and the Food System, 2019.
  15. M. Orr, O. Grillo, G. Venora, and B. G. Seed morphocolorimetric analysis by computer vision: a helpful tool to identify grapevine (vitis vinifera l.) cultivars. Australian Journal of Wine and Grape Research Pages: 508-519, 2015. doi: https://doi.org/10.1111/ajgw.12153
  16. QGIS Development Team. QGIS Geographic Information System. Open Source Geospatial Foundation, 2009.
  17. L. Ravaz. Sur la brunissure de la vigne. Les Comptes Rendus de lAcadmie des Sciences, 136:1276-1278, 10 1903.
  18. C.-H. Teng, Y.-S. Chen, , and W.-H. Hsu. Tree segmentation from an image. Conference: Proceedings of the IAPR Conference on Machine Vision Applications, 2005.
  19. N. Xu, B. L. Price, S. Cohen, and T. S. Huang. Deep image matting. CoRR, abs/1703.03872, 2017.

Descargas

Los datos de descargas todavía no están disponibles.