Applications of computer vision techniques in precision viticulture stars

Resumen

La viticultura de precisión permite mejorar la calidad y producción de la uva, al mismo tiempo que optimiza el uso de los recursos, reduciendo el impacto ambiental. Para su correcta implementación es necesaria la medida precisa y georreferenciada del estado del viñedo, de forma que se represente la variabilidad intra e inter parcela. Los recientes progresos en sistemas de geo-posicionamiento y sensores capaces de monitorizar el viñedo de forma rápida, no invasiva y precisa han impulsado el desarrollo e implementación de la viticultura de precisión, aunque su uso comercial es limitado. Entre los diferentes tipos de sensores disponibles, destacan los basados en análisis de imagen, que están experimentando un fuerte desarrollo en los últimos años gracias a su bajo coste y amplio rango de aplicaciones. Debido a sus características, el análisis de imagen es una tecnología clave para la viticultura de precisión y su implantación comercial. El objetivo principal de este trabajo es el desarrollo de nuevas metodologías de monitorización del viñedo mediante el análisis de imagen. Con esta finalidad se han desarrollado y evaluado nuevas técnicas para: i) estimación del número de flores por inflorescencia; ii) predicción de la cosecha; y iii) evaluación del estado de la “canopy”. Para ello se han utilizado diferentes métodos de adquisición de imagen, incluyendo la captura manual, el uso de “smartphones” y la utilización de plataformas móviles que realizan la adquisición de forma automática. La precisión del algoritmo para el conteo de flores por inflorescencia fue superior al 90% en todas las variedades evaluadas. Con el fin de facilitar el uso de esta metodología en el viñedo, se desarrolló una versión mejorada del algoritmo compatible con “smartphones“ de sistema operativo Android. La aplicación fue capaz de identificar correctamente el 84% de las flores presentes por imagen, obteniendo una precisión del 94% y un error cuadrático medio (RMSE) de 37,1 en la estimación del número total de flores por inflorescencia. La predicción de la cosecha se realizó mediante dos enfoques distintos: a partir de imágenes capturadas de forma manual utilizando un fondo blanco o con una plataforma móvil capaz de realizar la captura de forma automatizada. En el primer caso se logró la clasificación correcta del 98% 6 y 92% de los píxeles correspondientes a racimos y hojas respectivamente, obteniéndose la estimación de la producción con alta precisión (R2=0,73). En el segundo caso se utilizó el modelo Booleano para mejorar la precisión de la estimación frente a oclusiones y errores de segmentación, obteniéndose un error (RMSE) de 203g por cepa. La capacidad de medida del estado de la “canopy” mediante análisis de imagen se ha evaluado con experimentos ejecutados en Nueva Zelanda, Croacia, y España, de forma que se pudo valorar la robustez del sistema frente a diferentes variedades y sistemas de manejo. Se obtuvo un coeficiente de determinación superior a 0,90 para la relación entre el método de referencia (“point quadrat analysis”) y el algoritmo de análisis de imágenes (capturadas manualmente utilizando un fondo blanco) para cada uno de los experimentos y de R2=0,93 cuando todos los datos se analizaron de forma conjunta. Para aumentar la aplicabilidad comercial de la metodología, se modificó un “quad” de forma que la captura de las imágenes se realizara de forma automática y continua a una velocidad en torno a 7 km/h. Con esta metodología se pudo evaluar la porosidad del viñedo (R2>0,85) y hojas expuestas (R2>0,71), y gracias a la alta densidad de muestreo se pudieron realizar mapas representativos de la variabilidad del viñedo. Finalmente, también se evaluó la capacidad de estimar el peso de la madera de poda, que es un indicador del vigor del viñedo. Mediante el análisis de las imágenes capturadas de manera manual se obtuvo una estimación (R2=0,91) con un error (RMSE) de 87,7g por cepa. Cuando la captura de imágenes se realizó de forma automatizada y en continuo, la precisión descendió ligeramente (RMSE=115,7; R2=0,85), pero con una importante reducción en el esfuerzo requerido para la obtención de las imágenes. Los resultados obtenidos muestran que el análisis de imagen es una tecnología de gran interés para la viticultura de precisión. El bajo coste de los sensores, la captura rápida y no destructiva y la alta precisión y variedad de los parámetros que pueden ser medidos representa importantes ventajas frente a los métodos clásicos. Los algoritmos desarrollados permiten la estimación del número de flores por inflorescencia, predicción de la producción y evaluación de la “canopy” con gran precisión. La posibilidad de captura de imágenes desde plataformas móviles reduce el esfuerzo de captura y permite la generación de mapas, facilitando el uso de estas técnicas a nivel comercial en el sector vitícola.