Extracción de Características en Viñedos Mediante Algoritmos de Clasificación Difusa y Técnicas de Inteligencia Artificial

摘要

Resulta vital para los enólogos contar con información que les permita estimar la producción antes de la cosecha, así como el área foliar de las vides. Esto les permite tomar decisiones relativas al manejo del riego y de otras prácticas culturales tendientes a alcanzar los objetivos de producción y calidad deseados. Si bien es cierto que existen técnicas que permiten hacer esto manualmente, dichas técnicas son destructivas, ya que requieren el deshoje y cosecha de todos los racimos presentes en una vid, y además tienden a ajustarse hacia rendimientos históricos (Clingeleffer et al., 2001). Esto es costoso, laborioso y poco representativo de la escena en su conjunto, debido a la limitada cantidad de vides que pueden ser deshojadas y cosechadas con éste propósito (Nuske et al. 2011a). Como alternativa a estas técnicas destructivas, se encuentran técnicas no invasivas como por ejemplo las basadas en procesamiento de imágenes (Dunn & Martin, 2004; Rabatel et al., 2007; Meunkaewjinda et al., 2008). Dichas técnicas presentan ventajas tales como: bajo costo de implementación, alta velocidad en la obtención de resultados y alta representatividad ya que no solamente es posible tomar muestras puntuales, sino que se puede fotografiar el viñedo en su totalidad (Diago et al., 2012). Sin embargo, la mayor parte de los trabajos publicados no están orientados a proveer resultados en tiempo real y cuando lo hacen, se concentran en determinar una sola característica a la vez y en limitadas condiciones de aplicación. Por estos motivos en este trabajo se desarrolló una metodología tendiente a extraer características de la cubierta vegetal del viñedo, de forma automática robusta, mediante algoritmos de clasificación difusa y técnicas de inteligencia artificial. Para ello se desarrolló un sistema autónomo de caracterización de la cubierta vegetal en viñedos, empleando una combinación de imágenes visibles (RGB), de profundidad (D) e infrarrojas (IR). Lo que permite estimar el área foliar, estimar el rendimiento empleando el área de uva visible, además de caracterizar las hojas en función de sus distintos grados de vigor. Esta metodología se implementa en 10 pasos: 1) Adquisición de imágenes; 2) transformación de las imágenes al espacio de color L*a*b*; 3) Agrupamiento Etapa I: segmentación de imagen a través de Fuzzy C-Means con Gustafson Kessel (FCM-GK); 4) Agrupamiento Etapa II: emplea las salidas FCM- GK como valores iniciales para KMeans; 5) Identificación de los grupos (etiquetado) generados por K-Means utilizando una Máquina de Soporte Vectorial; 6) Fusión de grupos con igual etiqueta; 7) Proceso de filtrado: realiza operaciones morfológicas sobre los grupos uva y hojas con el fin de llenar agujeros y eliminar pequeños grupos de píxeles; 8) Calcular las áreas de cada grupo; 9) Crear una imagen mosaico mediante Scale-Invariant Feature Transform para evitar el traslape de imágenes; 10) Corrección de las áreas de las hojas y las uvas. Esta metodología fue aplicada sobre un total de 1500 imágenes capturadas durante tres campañas de adquisición, lográndose una precisión en la clasificación de un 95 % para uva, y de un 100% para hojas. Esta metodología permite procesar una imagen de 320x240 píxeles en menos de 100 ms, lo que combinado con los elevados porcentajes de aciertos, frente a diferentes condiciones del viñedo, constituye sin duda una mejora significativa en el estado del arte, en lo que a clasificación e identificación robusta de características en terreno se refiere. Ventajosamente esta metodología entrega en tiempo real más de una característica de modo simultáneo, lo que permite en una sola pasada determinar el área de sarmientos, el área de hojas de diverso tipos, así como el área de uva presente, lo que abre las puertas a diversas aplicaciones como predicción de rendimiento, aplicación de plaguicidas inteligente, manejo de la poda, planificación de riego y deshoje. ABSTRACT It is vital for winemakers have information that allows them to estimate production before harvest as well as the leaf area of vines. This allows them to make decisions regarding to irrigation management and other cultural practices aimed at achieving the desired production and quality objectives. Although it is true that there are techniques to do this manually, such techniques are destructive as they require defoliation and the harvest of all clusters present on a vine, and furthermore tend to fit to historical yields (Clingeleffer et al., 2001). This is costly, laborious and unrepresentative of the scene as a whole, due to the limited number of vines that can be defoliated and harvested for this purpose (Nuske et al. 2011a). As an alternative to these destructive techniques are non-invasive techniques, such as those based on image processing (Dunn & Martin, 2004; Rabatel et al., 2007; Meunkaewjinda et al., 2008). Such techniques have advantages such as low cost of implementation, high speed in obtaining results and high representativeness, since it is not only possible to take spot samples, but can photograph the vineyard as a whole (Diago et al, 2012.). However, most of the published works are not designed to provide real-time results and when they do, they focus on determining one feature at a time and in restricted application conditions. For these reasons, in this paper, a methodology was developed aimed at extracting features of vegetation cover of the vineyard, automatically, robust, using fuzzy classification algorithms and artificial intelligence techniques. For this purpose an autonomous characterization system of plant cover in vineyards was developed using a combination of visible images (RGB), depth (D) and infrared (IR). Allowing estimate leaf area, estimate yield using visible grape area, as well as leaves characterization according to their degrees of vigor. This methodology is implemented in 10 steps: 1) Images acquisition; 2) Transformation of the images to the L*a* b* color space ; 3) Grouping Stage I: image segmentation by Fuzzy C-Means with Gustafson Kessel (FCM-GK) algorithm; 4) Grouping Stage II: Take FCM-GK outputs as initial values for K-Means; 5) Identification of groups (labeled) generated by K-Means using Support Vector Machine; 6) Merger of groups with the same label; 7) Filtering process: morphological operations performed on grape leaves and groups in order to fill holes and remove small groups of pixels; 8) Calculate the areas of each group; 9) Create a mosaic image using scale-invariant feature transform to avoid overlapping of images; 10) Correction of the areas of leaves and grapes. This methodology was applied to a total of 1500 images captured during three seasons acquisition, achieving a classification accuracy of 95% for grapes, and 100% for leaves. This methodology allows to process an image of 320x240 pixels in less than 100 ms, which combined with high percentages of correct identification, against different conditions of the vineyard, is undoubtedly a significant improvement in the state of the art, as far as, on site, robust features classification and identification refers. Advantageously, this methodology provided, in real time, more than one feature simultaneously, allowing on a single pass to determine the area of branches, the area of different types of leaf, as well as the area of grapes present, which opens the door to various applications such as yield prediction, intelligent pesticides application, pruning management, irrigation scheduling and defoliation.