Computer visión and artificial intelligence for yield components' assessment in digital viticulture stars

Resumen

La estimación de los componentes del rendimiento de la vid es una tarea de gran relevancia para la industria vitivinícola y los viticultores. Los métodos tradicionales para obtener estos componentes suelen ser tediosos, requieren mucho tiempo y se limitan a una adquisición reducida de datos. Las nuevas tecnologías han surgido para ofrecer una alternativa a estos métodos. Entre ellas, la visión artificial y la inteligencia artificial se han utilizado ampliamente en diferentes campos para transformar la información contenida en las imágenes y otros datos en conocimiento que sirvan de apoyo la toma de decisiones. En particular, la visión artificial y la inteligencia artificial se están utilizando recientemente para estimar parámetros relevantes en la agricultura y la viticultura. El objetivo principal de esta Tesis Doctoral es proporcionar nuevas herramientas en viticultura digital que combinen la visión artificial y la inteligencia artificial para la estimación de los componentes del rendimiento en condiciones de campo. En particular, se intentaron los siguientes objetivos: i) la aplicación de la visión artificial y el aprendizaje automático para la estimación de la compacidad de los racimos de la vid; ii) la combinación del aprendizaje profundo y la visión artificial para cuantificar el número de flores de la vid por cepa; iii) el uso de la visión artificial para analizar el impacto del estado del dosel en la oclusión de las bayas de la vid; iv) la combinación de la visión artificial, el aprendizaje profundo y el aprendizaje automático para cuantificar el número de bayas de la vid en tamaño guisante por cepa; y v) el uso de la visión artificial, el aprendizaje profundo y el aprendizaje automático para estimar el rendimiento de la uva meses antes de la vendimia. Para el primer objetivo, se adquirieron imágenes RGB de la vid en continuo utilizando una plataforma de detección móvil para obtener una estimación de la compacidad de los racimos de la vid. Se desarrolló un algoritmo de visión artificial para extraer las características morfológicas de los racimos de las imágenes, y un modelo de aprendizaje automático utilizó esas características para evaluar la compacidad de cada racimo. Los resultados mostraron que el método desarrollado puede ser una alternativa más objetiva que la evaluación visual tradicional realizada por evaluadores entrenados. Para el segundo objetivo, centrado en la cuantificación de las flores de la vid, se adquirió un conjunto de imágenes RGB de la vid en continuo en el estado fenológico de prefloración utilizando una plataforma de detección móvil. Se siguió un enfoque de segmentación semántica de aprendizaje profundo para segmentar y contar individualmente cada flor presentada en las imágenes. Se encontró una alta correlación entre el número de flores estimadas (a partir de las imágenes) y el rendimiento final en la vendimia, lo que demuestra que el sistema desarrollado es muy útil para obtener un indicador de rendimiento cerca de 100 días antes de la vendimia. El análisis del impacto del estado del dosel en la oclusión de las bayas de la vid se abordó en un trabajo en el que se adquirieron manualmente imágenes RGB de las cepas cerca de la vendimia. A partir de los resultados obtenidos se pudo concluir que la visión artificial puede emplearse para evaluar el rendimiento en cepas total y parcialmente defoliadas en la zona productiva, combinada con un modelo capaz de capturar la variabilidad en el estado del dosel de diferentes viñedos. Para la cuantificación de las bayas en tamaño guisante de la vid (cuarto objetivo), se empleó una plataforma de detección móvil para capturar imágenes RGB de la vid en continuo en el estado fenológico de tamaño guisante. Se aplicaron técnicas de segmentación semántica de aprendizaje profundo para obtener el número de bayas visibles en las imágenes y varias características del dosel de la vid que fueron utilizadas por modelos de aprendizaje automático para estimar el número de bayas por cepa, superando así parcialmente los artefactos de oclusión del dosel. Los resultados presentados en este capítulo demostraron que esta herramienta podría ser muy beneficiosa para desarrollar un indicador de rendimiento casi dos meses antes de la vendimia sin aplicar una defoliación completa intensiva de las cepas. Por último, se presentó el tema de la evaluación del rendimiento de la uva. Se utilizaron las imágenes y las cepas del trabajo del tercer objetivo. Se combinaron la visión artificial, el aprendizaje profundo y el aprendizaje automático para obtener algunas características del dosel, que eran relevantes para estimar el rendimiento final superando las oclusiones del dosel, en diferentes variedades de vid. El modelo de estimación demostró ser preciso a la hora de estimar el rendimiento no solo en las variedades de vid ya incluidas en el modelo, sino también en nuevas variedades no incluidas. Los resultados presentados en el trabajo de investigación de esta Tesis Doctoral ponen de manifiesto la utilidad y aplicabilidad de la visión artificial, el aprendizaje profundo y el aprendizaje automático para estimar los componentes del rendimiento de la vid, de forma no invasiva, en condiciones de campo. Estos resultados pueden ser cruciales en la viticultura digital como alternativa a los métodos tradicionales, y como apoyo a la toma de decisiones en los viñedos.