Visión artificial para detección automática de altura del cultivo

• Martinez, Fatima ^[1] ; Manzano, José María ^[1] ; Romaine, James ^[1] ; Millán, Pablo ^[1]
  1. [1] Universidad Loyola Andalucía

     Universidad Loyola Andalucía

     Sevilla, España

     
• Localización: XLIII Jornadas de Automática: libro de actas: 7, 8 y 9 de septiembre de 2022, Logroño (La Rioja) / coord. por Carlos Balaguer Bernaldo de Quirós, José Manuel Andújar Márquez, Ramón Costa Castelló, C. Ocampo-Martínez, Juan Jesús Fernández Lozano, Matilde Santos Peñas, José Simó, Montserrat Gil Martínez, José Luis Calvo Rolle, Raúl Marín, Eduardo Rocón de Lima, Elisabet Estévez Estévez, Pedro Jesús Cabrera Santana, David Muñoz de la Peña Sequedo, José Luis Guzmán Sánchez, José Luis Pitarch Pérez, Óscar Reinoso García, Óscar Déniz Suárez, Emilio Jiménez Macías, Vanesa Loureiro-Vázquez, 2022, ISBN 978-84-9749-841-8, págs. 1015-1022
• Idioma: español
• Títulos paralelos:
  • Computer vision for automatic detection of crop heights
• Enlaces
  • Texto completo
• Resumen
  • español

    En este trabajo se presenta la combinación de visión estéreo y un algoritmo basado en kernels para la identificación automática de la altura de un cultivo. La técnica desarrollada alivia la necesidad de realizar controles periódicos del cultivo en persona, reduciendo costes tanto por disminuir el tiempo del personal como por identificar rápidamente retrasos en el crecimiento del cultivo. La propuesta utiliza operaciones morfológicas y la transformada de Hough para el trazo de las rectas que delimitan la parte superior e inferior de la banda de la planta. El algoritmo es de bajo coste computacional, permitiendo su aplicación en dispositivos IoT con microprocesadores empotrados. Los resultados se aplican sobre imágenes reales, obteniendo un error en la estimación de altura del 3 %.

  • English

    This article introduces a new algorithm based on stereoscopic imaging and kernels for the automatic and intelligent detection of crop heights. The kernel-based algorithm alleviates the need for humans in the loop cutting costs by prioritizing personnel time and quickly identifying stunted growth due to stress. The kernels algorithm consists of morphological operations and the Hough transform to identify the bottom and top of a specific crop by varying kernel sizes. The algorithm is computationally low cost allowing for IoT based application and produces as little as 3% error.