II Jornadas internacionales de investigación científica
2017
métodos existentes para detección de líneas rectas de cultivo. Sin embargo, MP trabaja también para líneas curvadas de cultivo, a diferencia de los tres métodos existentes. Tabla 2 Comparación del MP frente a tres métodos existentes (HT, LR, OLR). Tasa de detección (%) HT LR OLR MP Promedio 85.2 90.7 91.2 92.6 Posición 4 3 2 1 El tiempo de procesamiento para el proceso completo, incluyendo las 3 fases, fue de 593 ms para el mejor caso (bajo nivel de maleza y vacíos) según la Tabla 1. Se debe considerar que este tiempo de ejecución fue medido en Matlab bajo un lenguaje de programación interpretado que es más lento que un compilado. Por lo que el método muestra potencial para aplicaciones de tiempo real y que es un tópico de investigación a futuro. Finalmente, respecto a las limitaciones del MP, tres restricciones deben ser consideradas para su aplicación: (i) número de filas de cultivo a ser detectadas, (ii) la concavidad de las líneas de cultivo y (iii) los parámetros intrínsecos y extrínsecos del sistema visual.
Conclusiones El estudio propone un método automático para detectar líneas de cultivo tanto rectas como curvas (orientadas hacia la izquierda) en campos de papa, especie superchola, basado en el concepto de la acumulación de píxeles verdes. El método consiste de 3 fases enlazadas: segmentación, identificación de puntos de inicio y detección de líneas de cultivo. En presencia de niveles bajos de maleza y discontinuidades, el método detecta el 92.6% sobre líneas rectas y curvas de cultivo en un tiempo inferior a los 593 ms (Tabla 1), estando en concordancia con los tres métodos existentes en la literatura (Tabla 2).
Agradecimientos La presente investigación ha sido financiada parcialmente por la Universidad Técnica del Norte (Ecuador) y ha sido inspirada en el proyecto RHEA, financiado por la Unión Europea [FP7/2007-2013] (Automation and robotics for sustainable crop and forestry management). s
Referencias bibliográficas Barreda Sánchez, J. L., Ruiz García, A., & Ribeiro Seijas, Á. (2009). Seguimiento visual de líneas de cultivo. Retrieved from https://digitum. um.es/jspui/handle/10201/22175 Emmi, L., Gonzalez-De-Soto, M., Pajares, G., & Gonzalez-De-Santos, P. (2014). New trends in robotics for agriculture: Integration and assessment of a real fleet of robots. The Scientific World Journal, 2014(3), 1–21. https://doi. org/10.1155/2014/404059 García-Santillán, I., Guerrero, J. M., Montalvo, M., & Pajares, G. (2017). Curved and straight crop row detection by accumulation of green pixels from images in maize fields. Precision
Agriculture, 1–24. https://doi.org/10.1007/ s11119-016-9494-1 García-Santillán, I., Montalvo, M., Guerrero, J. M., & Pajares, G. (2017). Automatic detection of curved and straight crop rows from images in maize fields. Biosystems Engineering (Vol. 156). https://doi.org/10.1016/j.biosystemseng.2017.01.013 Gée, C., Bossu, J., Jones, G., & Truchetet, F. (2008). Crop/weed discrimination in perspective agronomic images. Computers and Electronics in Agriculture, 60(1), 49–59. https://doi. org/10.1016/j.compag.2007.06.003 Gonzales-de-Santos, P., & Ribeiro, A. (2014). RHEA-2014 : New trends in mobile robotics, perception and actuation for agriculture and
s
581