DISEÑO DE UNA HERRAMIENTA COMPUTARIZADA PARA LA …
Transcript of DISEÑO DE UNA HERRAMIENTA COMPUTARIZADA PARA LA …
DISEÑO DE UNA HERRAMIENTA COMPUTARIZADA PARA LA
ESTIMACIÓN AUTOMÁTICA DE LA PRODUCCIÓN DE ROSAS
FREEDOM EN EL CULTIVO DE FLORES DE LOS ANDES
MEDIANTE PROCESAMIENTO DE IMÁGENES (BOGOTA D.C.)
MIGUEL ANGEL AMEZQUITA ROJAS, JUAN NICOLAS BEJARANO RIOS, HOLDAN DUVIER
BERMÚDEZ MOGOLLÓN
FACULTAD DE INGENIERÍA
PROGRAMA DE BIOINGENIERÍA
UNIVERSIDAD EL BOSQUE
BOGOTÁ, mayo 22 de 2018
DISEÑO DE UNA HERRAMIENTA COMPUTARIZADA PARA LA
ESTIMACIÓN AUTOMÁTICA DE LA PRODUCCIÓN DE ROSAS
FREEDOM EN EL CULTIVO DE FLORES DE LOS ANDES
MEDIANTE PROCESAMIENTO DE IMÁGENES (BOGOTÁ D.C.)
MIGUEL ANGEL AMEZQUITA ROJAS, JUAN NICOLAS BEJARANO RIOS, HOLDAN DUVIER
BERMÚDEZ MOGOLLÓN
Trabajo de grado presentado como requisito para optar al título de
BIOINGENIERO
Modalidad: Servicio
Director: BRAYAN ALFONSO VALENCIA
PROGRAMA DE BIOINGENIERÍA
FACULTAD DE INGENIERÍA
UNIVERSIDAD EL BOSQUE
BOGOTÁ, mayo 22 de 2018
1
INDICE
LISTA DE TABLAS .............................................................................................................. 4
LISTA DE FIGURAS ............................................................................................................. 5
GLOSARIO ........................................................................................................................... 9
RESUMEN .......................................................................................................................... 10
1. INTRODUCCIÓN ......................................................................................................... 11
2. ANTECEDENTES ........................................................................................................ 12
3. PLANTEAMIENTO DEL PROBLEMA ......................................................................... 17
4. JUSTIFICACIÓN .......................................................................................................... 19
5. OBJETIVOS ................................................................................................................. 21
5.1. OBJETIVO GENERAL .......................................................................................... 21
5.2. OBJETIVOS ESPECÍFICOS ................................................................................. 21
6. MARCO REFERENCIAL ............................................................................................. 22
6.1. Empresas ............................................................................................................. 22
6.1.1. SAVE consultores S.A.S. ............................................................................. 22
6.1.2. Grupo Andes Farms ..................................................................................... 22
6.2. Rosa variedad Freedom ...................................................................................... 23
6.2.1. Proceso de cultivo y cosecha de plantas del género Rosa spp. Rosa sp.
variedad Freedom ...................................................................................................... 23
6.2.2. Cultivo ........................................................................................................... 24
6.2.3. Estados fenológicos .................................................................................... 25
6.2.4. Manejo del cultivo de rosa ........................................................................... 26
6.2.5. Cuantificación floral ..................................................................................... 27
6.2.6. Estimación productiva en cultivos ............................................................. 28
6.3. Procesamiento de imágenes .............................................................................. 29
6.3.1. Adquisición de datos ................................................................................... 29
6.3.2. Relación entre píxeles ................................................................................. 32
6.4. Espacios de color................................................................................................ 35
6.4.2. Pre-procesado .............................................................................................. 37
6.4.3. Operaciones morfológicas .......................................................................... 38
6.4.4. Segmentación ............................................................................................... 41
6.4.6. Representación y descripción de objetos en una imagen ........................ 44
6.4.7. Preprocesado de características ................................................................ 46
6.4.8. Métodos de agrupación ............................................................................... 47
6.4.9. Clasificadores ............................................................................................... 48
2
6.5. Pruebas estadísticas ........................................................................................... 49
6.5.1. Test de Anderson - Darling .......................................................................... 49
7. METODOLOGÍA .......................................................................................................... 50
8. DESARROLLO ............................................................................................................ 53
8.1. Fase I - Primer objetivo específico ..................................................................... 53
8.1.1. Identificar las características estructurales del invernadero .................... 53
8.1.2. Levantamiento de requerimientos .............................................................. 55
8.1.3. Diseñar la estructura de soporte ................................................................. 56
8.1.4. Establecer el protocolo de adquisición de imágenes a partir de la
información recolectada ............................................................................................ 57
8.2. Fase II - Segundo objetivo específico ................................................................ 57
8.2.1. Registro de rosas y sus respectivos estados en la cama asignada ......... 57
8.2.2. Segmentación manual ................................................................................. 58
8.2.3. Comparación entre algoritmos encontrados que permitan la
segmentación de los botones florales. ..................................................................... 58
8.2.4. Detección de botones florales en los estados de garbanzo, raya-color y
punto de corte ............................................................................................................ 59
8.2.5. Detección de profundidad a partir de imágenes estereoscópicas ........... 59
8.2.6. Diferenciación entre los estados fenológicos detectados ........................ 59
8.2.7. Clasificación de los botones diferenciados en sus respectivos estados 60
8.2.8. Cuantificación de los botones en cada estado registrado ........................ 60
8.3. Fase III- Tercer y cuarto objetivo específico ..................................................... 61
8.3.1. Tercer objetivo específico ........................................................................... 61
8.3.2. Cuarto objetivo específico ........................................................................... 61
9. RESULTADOS Y DISCUSIÓN ..................................................................................... 63
9.1. Fase I .................................................................................................................... 63
9.1.1. Identificar las características estructurales del invernadero .................... 63
9.1.2. Diseño ingenieril .......................................................................................... 65
9.1.3. Soporte para el dispositivo de adquisición de imágenes ......................... 76
9.1.4. Establecer el protocolo para la adquisición de imágenes del cultivo de
rosas de la variedad Freedom a partir de las características requeridas para la
realizar la estimación ................................................................................................. 79
9.1.5. Análisis y discusión de resultados de fase ................................................ 80
9.2. Fase II ................................................................................................................... 82
9.2.1. Mapas de ubicación de flores ..................................................................... 82
9.2.2. Distribución estadística de los diámetros en los diferentes estados
fenológicos ................................................................................................................. 82
3
9.2.3. Segmentación manual ................................................................................. 84
9.2.4. Preprocesado ............................................................................................... 85
9.2.5. Segmentación ............................................................................................... 88
9.2.6. Extracción de color de la imagen segmentada ........................................ 105
9.2.7. Percepción de profundidad ....................................................................... 111
9.2.8. Métodos de clasificación ........................................................................... 118
9.2.9. Clasificación ............................................................................................... 119
9.3. Fase III ................................................................................................................ 126
9.3.1. Estimación de la producción basada en los estados fenológicos
identificados por el algoritmo y evaluación del desempeño de éste.................... 127
9.3.2. Evaluar el desempeño del algoritmo comparando la producción estimada
respecto a la producción real. ................................................................................. 127
10. CONCLUSIONES ................................................................................................... 135
11. RECOMENDACIONES Y TRABAJOS FUTUROS ................................................. 136
11.1. Entregables a la empresa .............................................................................. 136
12. PRESUPUESTO ..................................................................................................... 137
12.1. PRESUPUESTO INICIAL ................................................................................ 137
12.2. PRESUPUESTO EJECUTADO ....................................................................... 138
13. REFERENCIAS ...................................................................................................... 139
14. CRONOGRAMA ..................................................................................................... 144
15. ANEXOS ................................................................................................................ 145
15.1. ANEXO A ........................................................................................................ 145
15.2. ANEXO B ........................................................................................................ 145
15.3. ANEXO C ........................................................................................................ 145
15.4. ANEXO D ........................................................................................................ 146
4
LISTA DE TABLAS
Tabla 1. Ventajas y desventajas de los desarrollos de agricultura de precisión.
Tabla 2. Metodologías de interés.
Tabla 3. Porcentajes de acierto de la estimación para las semanas 5 a 16.
Tabla 4. Puntos de corte para la variedad Freedom.
Tabla 5. Descripción de algunas características indicativas de los estados fenológicos en
desarrollo
Tabla 6. Ponderación de variables ambientales
Tabla 7. Medidas de relevancia para el diseño de la estructura
Tabla 8. Índices de oclusión
Tabla 9. Ángulos de captura sobre la cama piloto
Tabla 10. Requerimientos de adquisición de imagen
Tabla 11. Requerimientos del algoritmo
Tabla 12. Características de las cámaras disponibles
Tabla 13. Descripción característica de interés en las cámaras
Tabla 14. Descripción, ventajas y desventajas en las cámaras disponibles
Tabla 15. Ponderación de cámaras
Tabla 16. Medidas estadísticas del diámetro del botón para cada estado fenológico
Tabla 17. Cambio en la resolución de la imagen
Tabla 18. Segmentación en el espacio RGB
Tabla 19. Segmentación por filtro de entropía
Tabla 20. Segmentación en el espacio HSV
Tabla 21. Complemento de segmentación
Tabla 22. Signatura imágenes binarias
Tabla 23. Diagramas de dispersión de los DataSet con transformaciones
Tabla 24. Rendimientos netos por K-Means
Tabla 25. Rendimientos netos por C-Means
Tabla 26. Rendimientos netos por K-Vecinos
Tabla 27. Matriz de confusión del clasificador escogido
Tabla 28. Rendimiento del algoritmo de conteo
Tabla 29. Rendimiento del algoritmo de clasificación
Tabla 30. Rendimiento del algoritmo de clasificación con visión estereoscópica
Tabla 31. Rendimiento de la estimación de la empresa
Tabla 32. Rendimiento de la estimación del algoritmo
Tabla 33. Porcentaje de acierto total empresa vs algoritmo
Tabla 34. Presupuesto estipulado
Tabla 35. Presupuesto gastado
5
LISTA DE FIGURAS
Figura 1. Árbol de problemas
Figura 2. Flujograma de la estimación de producción realizada en Flores de los Andes.
Figura 3. Cadena productiva de las rosas
Figura 4. Diagrama de flujo del procesamiento de imágenes.
Figura 5. Ángulo de visión para distintas distancias focales.
Figura 6. Relación entre profundidad de campo y valores menores de apertura.
Figura 7. Vecindario de un píxel (P)
Figura 8: Imagen estereoscópica (a) vista izq y (b) vista derecha.
Figura 9: Geometría de cámaras estereoscópicas.
Figura 10: Representación de cubo RGB.
Figura 11: Representación de cilindro de HSV.
Figura 12. Erosión de un conjunto.
Figura 13. Dilatación de un conjunto.
Figura 14. Apertura de un conjunto.
Figura 15. Clausura de un conjunto.
Figura 16. Imagen binaria con agujeros (izq), resultado del algoritmo de relleno de agujeros
(der)
Figura 17. Vista superior de histograma.
Figura 18. Diagrama de algoritmo CEDD
Figura 19. Clasificación CEDD implementada.
Figura 20. Metodología seguida.
Figura 21. Esquema del circuito con los sensores ambientales
Figura 22. Diagrama metodología fase 1
Figura 23. Diagrama metodología fase 2
Figura 24. Diagrama metodología fase 3.
Figura 25. Medidas identificadas en el ambiente de trabajo.
Figura 26, 27 y 28. Gráficas de humedad (izq), temperatura (der) e iluminancia (inf) con
valores promedio para cada variable
Figura 29. Diagrama de bloques de la herramienta propuesta
Figura 30. Ángulo de visión proyectado desde los puntos de captura en el modelo preliminar
en FUSION 360.
Figura 31 y 32. Diagrama de las estructuras de soporte diseñada realizado en Fusion 360
(izquierda) y la estructura para el acople de las cámaras (derecha).
Figura 33. Ruedas que se implementaron como modificación final de la estructura.
Figura 34. Fotografía de la estructura ensamblada.
Figura 35. Protocolo de adquisición de imágenes.
Figura 36. Histograma de los diámetros obtenidos del botón floral en estado “garbanzo”
Figura 37. Histograma de los diámetros obtenidos del botón floral en estado “Raya color”
Figura 38. Histograma de los diámetros obtenidos del botón floral en estado “punto de corte”
Figuras 39, 40 y 41. Imagen original (izq), imagen segmentada general (der) y botones
segmentados (inf).
Figura 42. Imagen con resolución reducida al 50%
Figura 43. Imagen con resolución original de captura
Figura 44. Imagen en espacio RGB
Figura 45. Imagen en espacio CMYK
Figura 46. Imagen en espacio HSV
6
Figura 47. Imagen en espacio CieLAB
Figura 48. 1. Imagen en espacio RGB
Figura 49. 2. Canal R
Figura 50. 3. Canal G
Figura 51. 4. Canal B
Figura 52. 5. Segmentación por método de Otsu en canal R
Figura 53. 6. Segmentación por método de Otsu en canal G
Figura 54. 7. Segmentación por método de Otsu en canal B
Figura 55. 8. Máscara binaria del canal R sobre imagen origina
Figura 56. 9. Máscara binaria del canal G sobre imagen original
Figura 57. 10. Máscara binaria del canal B sobre imagen original
Figura 58. 11. Máscaras concatenadas
Figura 59. Imagen con mayor iluminación
Figura 60. Segmentación fallida por iluminación
Figura 61. Imagen con alta presencia de elementos estructurales del invernadero
Figura 62. Segmentación incompleta debido a inclusión de elementos extra en la imagen
Figura 63. 1. Imagen original
Figura 64. 2. Umbralización (Entropía<7) (Ventana 12%)
Figura 65. 2. Umbralización (Entropía<7.1) (Ventana 12%)
Figura 66. 2. Umbralización (Entropía<7.2) (Ventana 12%)
Figura 67. 2. Umbralización (Entropía<7.3) (Ventana 12%)
Figura 68. 2. Umbralización (Entropía<7.4) (Ventana 12%)
Figura 69. 2. Umbralización (Entropía<7.5) (Ventana 12%)
Figura 70. 2. Umbralización (Entropía<7.6) (Ventana 12%)
Figura 71. 2. Umbralización (Entropía<6) (Ventana 5%)
Figura 72. 2. Umbralización (Entropía<6) (Ventana 3%)
Figura 73. 2. Umbralización (Entropía<6) (Operación píxel a píxel 1%)
Figura 74. 1. Imagen en espacio HSV
Figura 75. 2. Canal H
Figura 76. 3. Canal S
Figura 77. 4. Canal V
Figura 78. 5. Segmentación por umbral fijo de 0.5 en canal H
Figura 79. 6. Segmentación por método de Otsu en canal S
Figura 80. 7. Segmentación por método de Otsu en canal V
Figura 81. 8. Máscara binaria del canal R sobre imagen original
Figura 82. 8. Máscara binaria del canal G sobre imagen original
Figura 83. 9. Máscara binaria del canal B sobre imagen original
Figura 84. 10. Máscaras concatenadas
Figura 85. Histogramas canal H
Figura 86. 1. Imagen en espacio HSV
Figura 87. 2. Canal H
Figura 88. 4. Canal S
Figura 89. 5. Producto canal H*S
Figura 90. 7. Segmentación por umbral (0.24) en canal HS
Figura 91. 8. Máscara binaria tras la operación morfológica de dilatación
Figura 92. 9. Máscara binaria tras la operación morfológica de erosión
Figura 93. 10. Filtrado de área
Figura 94. 10. Máscaras binaria sobre imagen HSV
7
Figura 95. 10. Máscaras binaria sobre la imagen original (RGB)
Figura 96. Máscara binaria con marcas de color asignadas a cada uno de los objetos
presentes
Figura 97. Máscara binaria con el conteo de los objetos presentes
Figura 98. Elemento de la imagen
Figura 99. Píxeles correspondientes al borde del elemento (Verde)
Figura 100. Elemento de la imagen
Figura 101. Centroide del elemento
Figura 102.1. Elemento de la imagen
Figura 103.2. Signatura de la imagen
Figura 104.3. Elemento de la imagen
Figura 105.4 Signatura de la imagen
Figura 106. Imagen binaria
Figura 107. Elipse ajustada
Figura 108. Imagen binaria
Figura 109. Orientación y eje mayor
Figura 110. Imagen binaria
Figura 111. Eje menor
Figura 112. Distribución de píxeles similares al color rojo en espacio RGB
Figura 113. Punto de corte
Figura 114. Punto de corte - Color rojo extraído
Figura 115. Distribución de píxeles en un botón en estado punto de corte
Figura 116.1. Espacio HSV
Figura 117.2. Canal H
Figura 118.3. Canal S
Figura 119.2. Color rojo extraído
Figura 120. Extracción de sépalos
Figura 121. Extracción de sépalos
Figura 122. Botón floral
Figura 123. Canal R
Figura 124. Canal R normalizado
Figura 125. Enmallado extraído
Figura 126. Botón floral HSV
Figura 127. Canal H
Figura 128. Enmallado extraído
Figura 129. Aplicación para la calibración de las cámaras.
Figura 130. Rectificación de imágenes de calibración
Figura 131. Ubicación de los centroides izquierdos y derechos sobre la captura izquierda.
Figura 132. Centroides de fotografía izquierda (azules) y derecha (rojos).
Figura 133. Filtro de centroides extra. Centroides de fotografía izquierda (azules) y derecha
(rojos).
Figura 134. Nube de puntos generada a partir de mapa de disparidad obtenido de MATLAB.
Figura 135. Ecuación implementada para el cálculo del diámetro.
Figura 136. Relación entre el porcentaje de enmallado y el porcentaje de sépalos.
Figura 137. Diagrama del proceso de clasificación.
Figura 138. Distribución de píxeles de enmallado mediante K-Means.
Figura 139. Distribución de píxeles de enmallado mediante C-Means.
Figura 140. Evaluación del rendimiento respecto al número de K-Vecinos.
8
Figura 141 y 142. Enmallado usado como contenedor de naftaleno (izq), enmallado
reconocido por el algoritmo (der)
Figura 143 y 144. Enmallado desechado en el camino (izq), enmallado reconocido por el
algoritmo (der)
Figura 145. Diagrama de cajas y bigotes para las estimaciones obtenidas por la empresa, y
para las estimaciones obtenidas por el algoritmo.
9
GLOSARIO Algoritmo: Secuencia de pasos lógicos y finitos para llevar a cabo una tarea determinada, los resultados arrojados por un algoritmo deben ser replicables. (Avalos, 2010) Cama: Segmento de cultivo continúo delimitado por barreras físicas (Torres, 2010). Clasificación: Asignación de clases o categorías a elementos que comparten características comunes o cuyas cualidades se encuentran en un mismo rango (Sonka, 2013). Clúster: Grupo de objetos que se encuentran en un mismo conjunto si se cuenta con iguales características o diferentes conjuntos si cuentan con características semejantes pero diferenciables. (Pedregosa, 2011) Estado fenológico: Etapas o fases de desarrollo de la planta o de alguna de sus partes que otorgan características diferenciables y ocurren de manera periódica y secuencial. (Cleland, Chuine, Menzel, Mooney & Schwartz, 2007) Estimación: Proceso por el cual se trata de obtener un valor aproximado a futuro de una producción (Máximo, 2009). Fenología: Estudio de los fenómenos periódicos que tienen ocurrencia sobre los seres vivos y su relación con el ambiente en el que se encuentran. (Cleland et al, 2007) Iluminancia: Cantidad de flujo de incidencia lumínica sobre una superficie por unidad de área (FREMAP, 2013). Imagen: Representación visual de un objeto cuya información se encuentra dada por una función bidimensional. (Gonzalez, Woods & Eddins, 2011) Nave: Conjunto de diez camas pares e impares ubicadas en el sector derecho e izquierdo del invernadero. (Valcárcel, 2017)
Píxel: Elemento mínimo que compone a una imagen digital, este posee una ubicación y valor
específico dentro de la misma. (Gonzalez, Woods & Eddins, 2011)
Segmentación: Consiste en dividir una imagen en partes que en la vida real tienen
correlación con otros objetos u áreas. (Sonka, 2013)
Visión estereoscópica: Técnica implementada para emular la visión biológica y visualizar
objetos en 3D. (Hernández, 2010)
10
RESUMEN En el cultivo de la variedad de rosa Freedom de la empresa Flores de los Andes se lleva a cabo la estimación de producción a partir de los estados fenológicos en los que se encuentran los botones de una determinada cama piloto. La identificación de estados fenológicos está asociada a la percepción subjetiva del personal que realiza la tarea. Lo anterior ocasiona que se presenten errores en el porcentaje de eficacia de la estimación con respecto a la producción real. La automatización, se plantea como solución a la problemática encontrada, realizándose mediante un algoritmo, para los procesos de conteo y clasificación de estados fenológicos y la posterior estimación productiva. El algoritmo emplea procesamiento de imágenes para realizar la estimación de la producción mediante la captura de fotografías RGB de una cama piloto como variables de entrada. Para realizar la clasificación de los botones se establecen rangos para los parámetros de interés establecidos; como tamaño y color. De esta manera se elimina la subjetividad de las mediciones realizadas por el personal y se incrementa el porcentaje de eficacia de las estimaciones. A partir de lo anterior se espera minimizar la subestimación o sobrestimación en las estimaciones realizadas en la finca por el método tradicional. Palabras clave: Rosa Freedom, estados fenológicos, automatización, procesamiento de imágenes, agricultura de precisión.
11
1. INTRODUCCIÓN
Las rosas como símbolo de belleza y amor en el mundo representan un detalle generoso y
económico en fechas especiales como San Valentín, día de la mujer o día de la madre, siendo
un producto con alta demanda a nivel nacional e internacional. Es importante considerar que
Colombia al encontrarse en una zona beneficiada geográficamente cuenta con ventajas
ecológicas que favorecen la producción anual de rosas (DANE, 2014).
En la actualidad Colombia es el segundo mayor productor y exportador de flores detrás de
Holanda, dicha exportación representa importancia significativa a nivel económico y social
para el país, esto también se puede ver reflejado como una oportunidad de investigación y
negocio en la cual bioingenieros en formación pueden generar metodologías que ofrezcan
una mejora en la estimación de producción de rosas a partir de técnicas utilizadas en el
procesamiento de imágenes, con la finalidad de obtener información más concreta a
comparación de la subjetividad personal.
Con el fin de disminuir los errores de producción a causa de la subjetividad, es necesario
conocer e identificar los estados fenológicos de las rosas, el ambiente en el cual se encuentra
el cultivo y aquellos factores incidentes del mismo, esto con el fin de conocer las ventajas y
desventajas que posteriormente permiten la toma de decisiones metodológicas necesarias
para llevar a cabo el respectivo proceso de estimación.
Puntualmente el propósito de este trabajo es brindar una herramienta computarizada la cual
ayude a mejorar el proceso de estimación de la producción de rosas de variedad Freedom en
el cultivo Flores de los Andes a través del uso de procesamiento de imágenes, con el fin de
ajustar los valores estimación y evitar la subestimación o sobreestimación a causa de la
subjetividad personal al realizar el conteo de la cantidad de botones en los diferentes estados
fenológicos.
12
2. ANTECEDENTES
La floricultura en Colombia al estar constituida como un sector exportador posee
requerimientos de alta calidad dados por los mercados a los cuales se enfrenta y la naturaleza
perecedera del producto, por lo cual la implementación tecnológica en los sistemas de cultivo
es un requisito básico para asegurar la producción y el cumplimiento de los estándares
ambientales, sociales y de calidad establecidos por las instituciones nacionales e
internacionales que garantizan la integridad del producto (Quirós, 2001)
(SUPERINTENDENCIA DE SOCIEDADES, 2016).
El origen del sector floricultor en el país se remonta al final de la década de los 60 e inicio de
los 70 respondiendo a la demanda de los mercados internacionales en especial de Estados
Unidos y gracias a las ventajas otorgadas por el posicionamiento geográfico sobre el ecuador
que permiten la continua producción durante todo el año, el gremio es consolidado por la
creación de la Asociación Colombiana de Exportadores de Flores (ASOCOLFLORES) en
1973, hoy en día Colombia es el segundo mayor exportador de flores frescas cortadas del
mundo, el sector genera aproximadamente 95000 empleos de manera directa y unos 80000
de manera indirecta y sus exportaciones superan los 1.300.000.000 USD anuales
(ASOCOLFLORES, 2015) (DANE, 2014).
Al ser el sector agrícola un renglón económico importante en el país la tecnificación del campo
es una prioridad en el plan de desarrollo (CORPOICA, 2015) y la agricultura de precisión se
presenta como una técnica que puede tener alto impacto en el sector, permitiendo incrementar
la producción haciendo uso más eficiente de los recursos asociados al proceso productivo,
dentro de las herramientas usadas se destaca el procesamiento de imágenes para aumentar
precisión y consistencia en prácticas o toma decisiones asociadas al monitoreo manual e
información visual (Armstrong & Saxena, 2014).
En el ámbito nacional se encontraron ejemplos de la agricultura de precisión, algunos de ellos
son: La detección de patrones patogénicos en cultivos de flor de azúcar como característica
asociable a la incidencia de plagas en el terreno (Flórez, Sandoval, & Hurtado, 2015), el
dimensionamiento de terrenos agrícolas a partir del procesamiento de imágenes, obtenidas
mediante un dispositivo aéreo no tripulado (Fajardo, 2014), y en el diseño de modelos de
adquisición de datos para la toma de decisiones en el manejo de insectos defoliadores de la
palma de aceite basado en el estado de las hojas afectadas (Torres & Forero, 2009).
A nivel internacional se encuentran aplicaciones más diversas; en monitoreo del crecimiento
de frijoles en Brasil, usando imágenes con contenidos espectrales que se encuentran en el
rango infrarrojo y cercano a infrarrojo se generan una serie de algoritmos que usan índices
de absorbancia en estos rangos para estimar los niveles de nitrógeno en las hojas y de
clorofila en la legumbre, y de esta manera clasificar el estado en el que se encuentra el cultivo
(Abrahão, Pinto, Queiroz, Santos & Carneiro, 2013), detección y eliminación de hierbas en
cultivos de cereales, en el cual se desarrollan dos procesos, en el primero mediante la
segmentación de imágenes obtenidas se realiza la diferenciación entre el cultivo y las hierbas
que se buscan eliminar, basados en estos resultados se desarrolla un segundo algoritmo de
toma de decisión, el cual determina basado en los porcentajes de cobertura que ocupan las
hierbas la cantidad de herbicida a aplicar (Tellaeche, Burgos-Artizzu, Pajares, Ribeiro &
Fernández-Quintanilla, 2008), detección de frutos maduros en cultivos, mediante
13
procesamiento de imágenes basado en búsqueda de formas esféricas se detectó la presencia
y el nivel de madurez de las manzanas en un huerto logrando una identificación correcta del
94% de las mismas (Kelman & Linker, 2014), medidas de áreas foliares en flores de corte
como método para estimar la producción del cultivo, usando procesamiento de imágenes para
determinar el área que cubren las hojas en un estado determinado del botón floral y al aplicar
un modelo matemático basado en la alometría derivada de las medidas tomadas en el cultivo
se puede dar una aproximación cuantitativa al producto esperado del cultivo (Costa, Pôças &
Cunha, 2016), estudio de dinámicas de floración en arroz desarrollado en Japón, al ser este
un proceso crítico para las labores asociadas a la maduración y que consume bastante tiempo
dado el monitoreo visual intensivo del cultivo que se usa tradicionalmente, se desarrolló un
algoritmo que detecta las panículas (inflorescencias) mediante el uso de imágenes RGB
obtenidas en campo, cuantifica las mismas durante los cambios en dinámica de floración
diurna y nocturna y detecta picos de floración durante el día; esta detección se facilita dado
que la inflorescencia a pesar de su reducido tamaño posee coloraciones diferentes por lo que
estrategias basadas en análisis de imágenes a color pueden aplicadas para diferenciar y
sustituir una actividad trabajo-intensiva con alta subjetividad asociada, por un proceso objetivo
y automático (Guo, Fukatsu & Ninomiya, 2015).
Estos desarrollos de agricultura de precisión poseen ventajas y desventajas acorde a la
técnica aplicada las cuales son descritas en la tabla 1.
Tabla 1. Ventajas y desventajas de los desarrollos de agricultura de precisión
Artículo Ventajas Desventajas
Procesamiento de imágenes para
reconocimiento de daños causados por plagas en el cultivo
de Begonia semperflorens
(Flórez, Sandoval, & Hurtado, 2015)
- El dron implementado para la tarea de monitoreo y captura
de imágen presentó una mayor eficiencia en el tiempo y
distancia recorridos comparado con el personal. - Para distancias de 5 cm a
resoluciones de 720p se tiene una efectividad del método de
hasta 99%.
- La efectividad del método disminuye drásticamente al incrementar la distancia de
captura de imágen llegando a valores del 10%.
- La segmentación binaria empleada para la extracción de características no es un método
robusto para la tarea. - Solo se pudo comprobar la red
con el 60% de imágenes tomadas debido a tiempos
prolongados de procesamiento.
Automated characterization of
flowering dynamics in rice using field-
acquired time-series RGB images
(Guo, Fukatsu & Ninomiya, 2015)
- Sistema automático y simple en el protocolo de captura de imágenes evitando el trabajo
en campo - Uso de algoritmo SIFT para
detectar inflorescencias supera el 70% de efectividad - Robustez frente a
sobrelapamiento y luminosidad
- Necesidad de adquirir imágenes de referencia bajo
diversas condiciones atmosféricas
- El algoritmo posee mejor efectividad con un número intermedio de imágenes de
referencia
Estimating the Leaf Area of Cut Roses in
Different Growth
- La predicción del estado fenológico acorde al área foliar
es posible dada la relación
- Protocolo de toma de imágenes interfiere con la planta y es
dispendioso
14
Stages Using Image Processing and
Allometrics (Costa, Pôças &
Cunha, 2016)
alométrica entre las dos. - El área foliar estimada
usando el algoritmo corresponde al área foliar real en valores superiores al 90%
- La toma de imágenes se realiza bajo condiciones
controladas - Método de detección poco
robusto
Grapevine Yield and Leaf Area Estimation
Using Supervised Classification
Methodology on RGB Images Taken under
Field Conditions (Barreiro, Correa,
Diago, Millán, Tardaguila & Valero,
2012)
- Toma de imágenes bajo condiciones ambientales no
controladas. - Separación exitosa de la imagen mediante clases asignadas (uva, hojas de diferentes edades, fondo, tallos) por pixeles RGB
- Modelo de predicción exitoso con efectividad superior al
90%
- Técnicas de clasificación basadas exclusivamente en
RGB - Errores en clasificación por
cambios de coloración en hojas.
Determination of
nitrogen and
chlorophyll levels in
bean-plant leaves by
using spectral
vegetation bands and
indices.
(Abrahão, Pinto,
Queiroz, Santos &
Carneiro, 2013)
- Modificación de una cámara normal para obtener imágenes
en el espectro cercano al infrarrojo (NIR).
- Clasificación efectiva de la cantidad de clorofila y
nitrógeno usando índices de absorbancia combinados de
RGB y NIR. - Efectividad en la clasificación
superior al 80%
- Índices de absorbancia dependientes del área foliar
expuesta al momento de tomar la imagen.
- Efectividad de los resultados varía respecto al estado
fenológico analizado.
Fuente: Elaboración propia
Adicionalmente se han encontrado otras investigaciones donde se aplican diferentes
metodologías para el procesamiento de imágenes, en dichos artículos se evidencian técnicas
y métodos que van desde la adquisición de imágenes hasta la extracción de características y
segmentación de las mismas. Algunas de estas metodologías se observan en la tabla 2.
Tabla 2. Metodologías de interés
Artículo Metodología Interés
Grapevine Yield and Leaf Area Estimation Using
Supervised Classification Methodology on RGB
Images Taken under Field Conditions
(Barreiro, Correa, Diago, Millán, Tardaguila & Valero,
2012)
Se realizó la captura de imágenes con una cámara convencional RGB con iluminación natural, seguido a esto, en el procesamiento de imágenes se realizó un algoritmo con clusters y distancia de Mahalanobis, posteriormente se extrajeron 7 características primarias que se dividieron en clases y por último se realizó el proceso de validación
- Separación por clases
- Extracción de
características
- Validación de la información
15
manualmente seleccionando áreas específicas del cultivo de uvas.
Robotic Harvesting of Rosa Damascena Using
Stereoscopic Machine Vision
(Kohan, Borghaee, Yazdi, Minae & Javad, 2011)
Dos cámaras fueron implementadas en una estructura para formar la visión estéreo, la cual se manejaba sobre el eje horizontal, para la cámaras se realiza una calibración con el objetivo de minimizar la discrepancia entre la imagen observada y su posición teórica, seguido a esto se rectificaron las imágenes por medio de líneas epipolares para observar la correspondencia de imágenes, luego, se trabajó en el reconocimiento de imágenes a través de un espacio de color HSI y de operaciones morfológicas, para finalmente observar si las imágenes se corresponden por medio de triangulación estéreo.
- Implementación de visión estéreo
- Adquisición de
imágenes por visión estéreo
A Qualitative Comparison of selected Automatic Depth
Map Generators (Capeto, 2016)
Se seleccionaron cuatro DMG para comparar cualitativamente los resultados que se obtienen con cada uno, todos se trabajaron por medio de visión estéreo. DMAG2 establece correspondencias entre píxeles detectando disparidad entre pixeles vecinos, DMAG5 calcula el volumen del costo y suaviza sectores con filtros determinando la mejor disparidad en cada pixel suavizada, DMAG6 es un método global que utiliza un belief propagation para tener mayor velocidad pero usa bastante memoria, por último, DMAG7 utiliza un espacio bilateral y agrupa pixeles en cajones donde los pixeles están cerca entre sí en términos de espacio y
- Generación de mapas de profundidad
- Aplicación de visión
estéreo - Métodos de
generación de mapas de profundidad
16
color.
Image Segmentation by Generalized Hierarchical Fuzzy C-means Algorithm (Zheng, Jeon, Xu & Zhang,
2015)
Se generan tres clases para las diferentes imágenes sintéticas donde se busca primeramente reducir el ruido Gaussiano, validar el tiempo de computación y comparar los métodos FCM y HFCM, seguido a esto, se realizan las mismas pruebas para imágenes RGB reales donde se realizó una segmentación mas rapida, las mismas pruebas de inducción de ruido y tiempo de computación se hicieron en diferentes imágenes multidimensionales.
- Segmentación de imágenes por C-means
- Ventajas y
desventajas de C-means
Fuente: Elaboración propia
17
3. PLANTEAMIENTO DEL PROBLEMA
La floricultura como sector agrícola posee un alto impacto socioeconómico, cultural y ambiental en el país, el sector es en gran parte dependiente de las exportaciones y sufre repercusiones económicas cuando sus estimaciones de producción son erróneas. A pesar de que aproximadamente 300 empresas a nivel nacional se dedican a la producción, solo unas 30 se encuentran incluidas en el directorio de PROEXPORT Colombia y ASOCOLFLORES, dentro de estas encontramos al Grupo Andes Farms, la cual es una empresa que se ha dedicado a la producción y exportación de múltiples variedades de rosas y astromelias desde hace 45 años (Proexport Colombia, 2015). Grupo Andes Farms cuenta con un cultivo denominado Flores de los Andes, en donde se realizan estimaciones de producción de rosas, en compañía de la consultora SAVE S.A.S., a partir del número de botones florales aptos para exportación. Este proceso parte de los resultados registrados por el personal en las tareas de diferenciación y cuantificación de estados fenológicos la cual es una actividad que tiene un consumo de tiempo elevado y es trabajo-intensiva, esta posee una alta subjetividad asociada a las valoraciones que expresan los individuos, además de la baja frecuencia con la que se realizan estos monitoreos (1 vez por semana), ocasionando que se obtengan estimaciones con una eficacia que diste del rango 90-110% ideal (rango establecido por la empresa), Lo anterior conlleva a pérdidas económicas. Tabla 3. Porcentajes de acierto de la estimación para las semanas 5 a 16.
Fuente: Proporcionado por la empresa.
Debido a que el número de flores a exportar es encargado antes de la cosecha y se debe tener dicha producción para fechas específicas (generalmente previo a festividades), la empresa depende de una estimación de productividad previa para confirmar su capacidad de cumplir con la demanda, en caso de que ésta estimación resulte errónea con un error que exceda el margen aceptable, la empresa padecerá pérdidas económicas. Esto ocasiona que la dependencia en el personal para tareas de diferenciación y cuantificación no resulte viable para la empresa. La automatización del proceso de conteo y diferenciación de estados fenológicos se plantea como solución a la baja precisión en las estimaciones realizadas. La aplicación de este método retira la subjetividad al realizar valoraciones con base en las características de referencia preestablecidas (color y tamaño del botón floral), al tener un estándar determinado por valores objetivos se realizan estimaciones con una mayor precisión y exactitud. Y dado que la aplicación de la herramienta computarizada sólo requeriría la toma de imágenes y el procesamiento de las mismas, es posible incrementar la frecuencia del monitoreo, de manera que se incrementa la robustez de la estimación ante factores ambientales (días soleados y nublados) que aceleran o retardan el crecimiento del botón, que de otra manera no serían considerados. La relación entre las causas, consecuencias y la problemática se puede visualizar en el siguiente diagrama de árbol de la figura 1:
18
Figura 1. Árbol de problema
Fuente: Elaboración propia
19
4. JUSTIFICACIÓN
Colombia se posiciona como el segundo mayor exportador de flores a nivel mundial siendo
superado únicamente por Holanda y teniendo un 16% de participación en el mercado mundial
de flores frescas cortadas y aportando el 63% de importaciones de flores de Estados Unidos,
el valor total de las exportaciones supera los 1.300’000.000 USD anuales, siendo así la
segunda actividad agrícola más productiva del país detrás de la caficultura y aportando
aproximadamente el 7% del PIB agropecuario. Genera unos 95000 empleos de manera
directa y 80000 de manera indirecta y tiene la mejor relación de empleo por unidad de área
generando un promedio de 16 empleos por hectárea sembrada. Se estima que un área total
de 13.110 ha del país se encuentran destinadas a cultivos de flores ubicándose
principalmente en Cundinamarca y Bogotá D.C. con el 73.2% y en Antioquia con el 23.8% y
predominan los sistemas de producción bajo techo con un 93% respecto a un 7% de lotes a
libre exposición (DANE, 2011) (ASOCOLFLORES, 2015) (Superintendencia de Sociedades,
2016).
La floricultura se constituye como un sector productivo importante para el país dadas las
interacciones socioeconómicas presentadas, es por esto que el gobierno prioriza al sector
agropecuario en su plan nacional de desarrollo mediante la misión para la transformación del
campo colombiano (CORPOICA, 2015) en donde se hace énfasis en la necesidad de una
ruralidad competitiva y sostenible, pero también se muestra que la implementación
tecnológica en el sector es insuficiente lo que conlleva a sobrecostos, disminución en la
producción, baja competitividad a nivel internacional y un aumento en los impactos
ambientales (Departamento Nacional de Planeación, 2014), puntualmente en la floricultura la
mayoría de tecnologías disponibles se encuentran asociadas al control de condiciones
ambientales, materiales y estructura del invernadero, movimiento de productos y energías
limpias (Superintendencia de Industria y Comercio, 2014), por lo cual se presentan
oportunidades de investigación y desarrollo en el sector; el Centro de Innovación de la
Floricultura Colombiana (CENIFLORES) define tres programas con los enfoques que deben
priorizarse: Protección de cultivos, asociado a los procesos relacionados con plagas y su
control, suelos y sustratos, asociado al manejo integral del suelo, y la reconversión
tecnológica, entendida como la implementación, desarrollo y adopción de tecnologías con el
fin de aumentar la eficiencia de los cultivos, (CENIFLORES, 2016) siendo esta última una
clara oportunidad de impacto inmediato dado que muchas tecnologías existentes y probadas
a nivel mundial pueden ser implementadas en los cultivos existentes, tal es el caso de la
agricultura de precisión que en general permite mejorar las prácticas agrícolas mediante la
observación, control y evaluación de los procedimientos utilizados.
La implementación de tecnologías en las labores de cultivo pretende suplir las deficiencias en
las labores manuales ocasionadas por personal no calificado, la consistencia y precisión que
ofrecen técnicas como el procesamiento de imágenes sirven como ejemplo para la
superioridad en eficiencia que conlleva la automatización en labores de cultivo (Armstrong, et
al., 2014). Los beneficios de la automatización de procesos justifican este enfoque como
idóneo para abordar la problemática asociada a las estimaciones de producción, pues se
permite un sondeo más preciso para las tareas de conteo y diferenciación de estados
fenológicos, procesos críticos dado que involucran la calidad del producto final, además de
influenciar la toma de decisiones para el desarrollo del cultivo que se realizan a partir de los
resultados de las estimaciones efectuadas (Arévalo et al., 2007) (Mulla, 2013).
20
La solución a la problemática planteada está en línea con aspectos del programa de
bioingeniería. Considerando que involucra la implementación de técnicas de la ingeniería
informática, como lo es el procesamiento de imágenes, para la solución de un problema
asociado a tareas de supervisión de entes biológicos, para este caso, las rosas de la variedad
Freedom. Esta integración de áreas es característica de la bioingeniería en su cualidad
transdisciplinaria. En el PEP del programa de bioingeniería se puede encontrar en el apartado
5.3 en el cual se hace referencia a características esperadas en el perfil del egresado, se cita
el siguiente fragmento de dicha sección “Propone soluciones tecnológicas para el sector
agroindustrial en diagnóstico, rehabilitación y tecnificación de procesos productivos
sostenibles...”, a partir de la cita es posible establecer el trabajo de grado en desarrollo con
las expectativas del programa para con los graduandos. También es posible alinear la
problemática con el foco misional de “Tecnología para la salud de entes biológicos”, dado que
estimaciones inconsistentes en la producción podrían influenciar la sobrecarga del terreno de
cultivo deteriorando la capacidad del suelo para la retención de nutrientes, el suelo como ente
biológico es perjudicado bajo estas circunstancias (J3Corp, 2016).
21
5. OBJETIVOS
5.1. OBJETIVO GENERAL
Diseñar una herramienta computarizada para la estimación automática de la producción de Rosa variedad Freedom en el cultivo “Flores de los Andes” mediante procesamiento de imágenes.
5.2. OBJETIVOS ESPECÍFICOS
Establecer el protocolo para la adquisición de imágenes del cultivo de rosas de la
variedad Freedom de Flores de los Andes.
Desarrollar el software para la detección, diferenciación, clasificación y conteo de botones florales de la variedad Freedom acorde a los diferentes estados fenológicos.
Estimar la producción futura del cultivo con base en la cantidad de botones florales presentes en cada uno de los estados fenológicos determinados a partir del algoritmo.
Evaluar el desempeño del algoritmo comparando la producción estimada respecto a la producción real.
22
6. MARCO REFERENCIAL
6.1. Empresas
A continuación, se describen las empresas involucradas en el proyecto desarrollado
como modalidad de servicio.
6.1.1. SAVE consultores S.A.S.
La empresa SAVE consultores S.A.S. constituida desde hace 5 años,
desarrolla proyectos de consultoría, implementación tecnológica, control e
investigación en proyectos de naturaleza agrícola y agroindustrial entre los que
destacan: Control fitosanitario, control biológico, pruebas de pesticidas y
bioinsumos, manejo de procesos de cosecha y postcosecha, fabricación de
máquinas y equipos agrícolas, análisis de tiempos movimientos y eficiencia de
procesos; adicionalmente realizan actividades encaminadas a la gestión
ambiental realizando proyectos en manejo de recurso hídrico, estudios de
impacto ambiental, gestión de residuos orgánicos, consultoría en
certificaciones y estrategias ambientales (Cámara de Comercio de Bogotá,
2017).
6.1.2. Grupo Andes Farms
Empresa dedicada a la floricultura en Colombia desde hace más de 40 años,
concentran su producción en Alstroemeria spp. con 28 variedades y Rosa spp.
con 33 variedades las cuales son cultivadas en dos fincas ubicadas en la
Sabana de Bogotá: “Flores de los Andes” en la localidad de Suba y
“Monteverde” en Funza, con una extensión de aproximadamente 50 hectáreas
en conjunto en las cuales se emplean unas 700 personas. Miembros de
ASOCOLFLORES y certificados en Florverde Sustainable Flowers distinción
de calidad, que promueve la agricultura sostenible con responsabilidad social
(Grupo Andes Farms, 2017).
6.1.2.1. Cultivo Flores de los Andes
El grupo Andes Farms cuenta con 26 hectáreas de cultivo florales en la
finca “Flores de los Andes”, los cuales se dividen en 5720 camas de
cultivos con una medida de 90 cm X 30 m donde se promedian de 250
a 270 cabezas florales por cada cama. En 19 hectáreas se cultiva Rosa
spp. siendo la variedad Freedom la predominante en el cultivo, esta se
caracteriza por su color rojo. Al igual que con las demás variedades en
la sede de Flores de los Andes las especies de rosas son híbridos
cultivados para tener características ornamentales deseadas.
6.1.2.2. Método de estimación realizado por la compañía
La estimación de productividad es realizada a partir de un monitoreo
que se lleva a cabo una vez a la semana en camas piloto seleccionadas
23
anteriormente, por parte de un miembro del personal. Se lleva a cabo
el conteo de la cantidad de botones en los estados de rayacolor,
garbanzo, arveja y arroz, la magnitud cuantificada se escala para cubrir
el valor correspondiente al sector de cultivo que está representando la
cama piloto. El escalamiento se lleva a cabo multiplicando la magnitud
medida en la cama piloto por las camas aledañas, 18, pues cada cama
piloto representa otras 17 aledañas. Esta operación se realiza con las
otras nueve camas piloto seleccionadas para el bloque y
posteriormente se suman las magnitudes respectivas para cada
estado.
La magnitud resultante de rayacolor representa la estimación que se
tiene para la siguiente semana, para garbanzo representa la estimación
a dos semanas, arveja corresponderá a tres semanas y arroz a cuatro.
La estimación se le comunica a un agrónomo.
Durante la poscosecha se emplea un calibrador para medir las
dimensiones de la planta y ubicarla en su categoría correspondiente
para la comercialización (Valcarcel, 2017).
Figura 2. Flujograma de la estimación de producción realizada en Flores de los Andes.
Fuente: Elaboración propia.
6.2. Rosa variedad Freedom
6.2.1. Proceso de cultivo y cosecha de plantas del género Rosa spp.
Rosa sp. variedad Freedom
La rosa de variedad Freedom es un híbrido de la rosa de té, como tal, ésta
suele producir solo una cabeza floral por tallo. Cuando los botones se
encuentran cerrados estos tienden a ser puntiagudos y suaves (como con la
mayoría de los ejemplares colombianos), el tiempo de apertura para estos es
24
prolongado. La variedad fue originada por la empresa alemana Rosen Tantau
de Hamburgo, alrededor del 2004 y actualmente es la variedad de rosa roja
más producida en Sudamérica. Los tallos tienen un rango de longitudes de 40
a 90 cm con botones de 6 a 8 cm de perímetro y cabezas florales de 9 a 12
cm, estas cuentan con un mínimo de hasta 48 pétalos, el tiempo de vida de la
rosa cortada es directamente proporcional a la cantidad de pétalos de esta.
Son deseadas ornamentalmente por su coloración rojiza con tonalidades
oscuras en los pétalos exteriores, tiene una vida media de 15 a 18 días. La
rosa Freedom debe conservarse en temperaturas de 10°C a 20°C y ser regada
con agua que se encuentre dentro de ese mismo rango térmico.
Los puntos de corte para la rosa dependen del tipo de mercado para el que
vaya a estar dirigido el ejemplar. El punto de botón más cerrado está dirigido
al mercado del común, el siguiente punto de corte se comercializa en mercados
al por mayor y el punto en el que la rosa presenta mayor apertura es exportado
específicamente al mercado ruso (Sierraflowerfinder, s.f.).
Tabla 4. Puntos de corte para la variedad Freedom.
Punto 1 Punto 2 Punto 3
Fuente: Elaboración propia
6.2.2. Cultivo
Los cultivos de rosa contemporáneos constan de variedades híbridas de
especies extintas por efecto de la selección natural. Las variedades actuales
de mayor popularidad corresponden, por sus denominaciones comunes, a la
rosa híbrida de té y las floribundas. En lo que corresponde al cultivo de las
mismas, para la plantación de los especímenes, debido a la delicada
naturaleza de estos, se deben realizar preparativos a la planta antes de su
inclusión en el cultivo, entre las precauciones tomadas se cubre la
implementación de fungicidas en las raíces para evitar que a largo plazo estos
organismos disminuyan la calidad del rosal, al competir por los recursos del
medio. Se debe considerar que cuando el cultivo se realiza bajo invernadero
se consigue producir flor en épocas y lugares en los que de otra forma no sería
posible gracias al control de múltiples variables por medio de diferentes
técnicas, en estos cultivos rosales se deben cumplir unas condiciones mínimas
en el proceso de cultivación, las condiciones más habituales a efectuar en un
cultivo son: dimensiones estructurales iguales o superiores a 50 x 20 m,
transmisión de luz adecuada para el crecimiento de las rosas, mientras que la
25
altura tiene que ser considerable para permitir que los procesos de ventilación
y flujo de aire dentro del invernadero sean propicios tanto para el cultivo como
para los encargados de los mismos (Secretaria del campo, 2016).
6.2.3. Estados fenológicos
La clasificación de los estados fenológicos depende tanto de la región como
de la autoridad académica en cuestión, sin embargo, todos los protocolos de
clasificación coinciden en el seguimiento del desarrollo de características de
umbral a partir de las que se define el principio o final de una etapa.
Para la variedad Freedom manejada en el cultivo Flores de los Andes,
caracterizada por su color rojo, se identifican cuatro estados fenológicos en el
desarrollo de la planta, a partir de los cuales se realizan estimaciones
considerando los tiempos para la cosecha de cada uno. Para el primer estado,
denominado arroz, se tiene la formación de un botón floral visible, con hojas
adyacentes a este presentando una coloración rojiza. Al retirar los sépalos del
botón en este estado, se puede observar que los pétalos aún no han madurado
a la coloración rojiza característica de la variedad. La segunda etapa se
denomina arveja, en esta el botón incrementa su tamaño y algunas puntas de
los sépalos empiezan a separarse, los pétalos desarrollan una coloración
rosada debido al cambio gradual de color. A continuación, se encuentra el
estado de garbanzo, el diámetro del botón se incrementa nuevamente además
de presentar un mayor número de sépalos separándose del botón, los pétalos
alcanzan una coloración rojiza debido a la cercanía a la maduración completa
de la planta, para evitar la apertura prematura de los sépalos se colocan mallas
alrededor del botón.
Finalmente, se tiene el estado de raya color, como su nombre lo indica es en
éste estado en el que se distingue la coloración de pétalos debido a la
separación natural de sépalos, los pétalos toman un tono más oscuro de rojo
cercano al que es característico de la variedad y su diámetro triplica al del
estado inicial. En la tabla 5 se puede observar el desarrollo del botón y las
características de cada estado (Valcárcel, 2017).
Tabla 5. Descripción de algunas características indicativas de los estados fenológicos en
desarrollo.
Estado Imagen Tiempo
para cosecha
Características
Arroz
28 a 31 días
Formación de botón visible, hojas adyacentes tienen una coloración rojiza.
26
Arveja
24 a 26 días
El botón aumenta de tamaño, algunos de los sépalos se separan.
Garbanzo
20 a 22 días
El botón aumenta de tamaño, se observa una mayor separación de sépalos. Un tiempo antes de que pase a la siguiente etapa se procede a enmallar el botón.
Raya color
13 a 15 días
La separación de los sépalos permite ver la coloración de los pétalos.
Fuente: Elaboración propia.
6.2.4. Manejo del cultivo de rosa
Durante el proceso de cultivación de las rosas se realizan una serie de
actividades que garantizan el adecuado crecimiento de cada flor en los tiempos
idóneos. Las labores principales son:
Pinzamiento: Consiste en el corte de la rama principal del tallo para estimular
la brotación de una yema por debajo del lugar de corte y el fortalecer las ramas
secundarias.
Despunte: Consiste en cortar la yema terminal que se ha generado
anteriormente, de forma tal que se evita la dominancia de dicha yema y permitir
el desarrollo de tallos laterales.
Desbotonado: Eliminación de botones laterales para que los nutrientes sean
dirigidos a la cabeza floral.
Descabece: Esta labor radica en la eliminación del botón o la cabeza principal
del tallo o planta, para promover el crecimiento de botones laterales.
Desbrote: Esta labor se efectúa junto con el desbotone, con el objetivo de
darle mayor vigor a los tallos que han sido descabezados.
Desyemado: Sirve para que la planta acumule reservas extras a lo largo de
su proceso de crecimiento.
Enmallado: Se realiza en el tercer estado fenológico de la rosa, conocido
como garbanzo, su función consiste en evitar una apertura prematura de los
sépalos en su transición al siguiente estado.
Poda: Corte y la remoción dirigida del material vegetal con el fin de regular la
altura de las plantas, aprovechar las reservas acumuladas, prolongar la vida
de las plantas y obtener flores de mejor calidad (Yong, 2004) (Berrocal, 2004).
27
6.2.5. Cuantificación floral
En Colombia la cuantificación de cabezas florales se da a gran escala debido
a su excelente competitividad a nivel internacional, dicho conteo y
cuantificación en las fincas productoras permite tener una visión más allá de
los estándares económicos para los productores, abarcando algunas
estrategias que buscan tener un cultivo más provechoso con menor gasto
energético, de insumos, de transporte con la finalidad de aumentar los niveles
productivos y mitigar gastos extras innecesarios para la cadena productiva
(FLORYCULTURA, 2015).
La cuantificación de las flores permite tener conocimiento de la productividad
obtenida además de ayudar a generar un prospecto económico de las
ganancias al momento de vender la cosecha. Tanto para grandes como
pequeños productores, es requerido realizar la cuantificación de sus cabezas
florales, siendo esto un control tangible que se sugiere realizar en diferentes
estados del botón floral debido a la alta demanda en cantidad y calidad que se
tiene en el mercado floral (Vila, 2009).
En profundidad dentro del ámbito normativo la contabilización de los activos
biológicos en sus diferentes etapas dentro del sector floricultor se rige bajo las
Normas Contables según decreto 2649 de 1993 y el Plan Único de Cuentas
para Comerciantes según decreto 2650 de 1993 teniendo como valor agregado
las Normas Internacionales de Contabilidad especialmente el NIC 41, que
consiste en clasificar los cultivos acorde al tiempo de duración, llevando en
conjunto el número de activos biológicos y recursos económicos destinados
para éstos. Generalmente la floricultura se encuentra clasificada en cultivos de
corto plazo pues puede variar desde 1 hasta 12 meses (Velásquez, 2013). La
NIC 41 también se puede considerar una guía y herramienta técnico-gerencial
que permite a corto, mediano o largo plazo conocer cuantitativamente los
activos biológicos en un cultivo por medio de inventarios, donde las actividades
de conteo son netamente manuales, con respecto a las labores de conteo en
cultivos de rosas, no se encuentra registro que sugiera que estas son llevadas
a cabo de otro método que no sea por cuantificación manual. El conteo de
activos biológicos es indispensable como parámetro a partir del cual se
establecen las acciones de mantenimiento, monitoreo o se realiza la toma de
algunas decisiones en la cadena de producción como se observa en la figura
3. El conteo de estados fenológicos aporta información con respecto a
desarrollo del cultivo, ésta puede ser usada para la realización de estimaciones
en torno a la productividad de éste al analizar la cantidad de estados aptos
para la cosecha inmediata, de igual forma se pueden plantear las magnitudes
de estimaciones futuras al considerar el tiempo de maduración de los otros
estados identificados (FLORYCULTURA, 2015).
28
Figura 3. Cadena de producción floral.
Fuente: (FLORYCULTURA, 2015)
6.2.6. Estimación productiva en cultivos
La estimación productiva en cultivos de rosas bajo invernadero puede llevarse
a cabo de distintas maneras dependiendo del agricultor y del propósito en
cuestión. Se puede tener un estimado temprano durante la adquisición de
insumos a partir del número de plantaciones que se van a realizar y del capital
económico disponible para los insumos de mantenimiento (fertilizantes,
pesticidas, etc.). A partir de la técnica de sembrado a emplear, se predetermina
la densidad de siembra, esta se relaciona con la capacidad del terreno, la
distancia entre las camas y la disposición de las plantas sobre estas (Dambre,
Blindeman, & Labeke, 2000).
La estimación que se realiza en cultivos de rosas bajo sus estados fenológicos
no son completamente homogéneas en cada cama cultivada, debido a la
variedad de estados que pueden encontrarse en una sola cama, sin embargo,
la manera en que se formula la estimación de producción no es la misma para
todos los cultivos, siendo diferente y personal acorde al productor.
Generalmente un agrónomo es aquel que revisa los botones y da una
estimación subjetiva de la cantidad de botones que se encuentran en un estado
requerido (Moral, 2011).
Otros métodos para estimar la productividad implementan modelos de
predicción a partir de factores ambientales observables en el cultivo, como por
ejemplo: los grados-día, que consisten en una diferencia algebraica; entre la
temperatura media de un día cualquiera del año y la temperatura de referencia
0° centígrado. A partir de la temperatura acumulada por las flores es posible
predecir el desarrollo de las mismas, puesto que la temperatura influye sobre
la velocidad de desarrollo de la planta. La estimación de la cantidad de cabezas
florales comerciables se realiza con base en la cuantificación de rosas que
presenten magnitudes altas para la acumulación de grados-día (Vila, 2009).
29
La clasificación de estados fenológicos se realiza cualitativamente tomando
como pauta el desarrollo de características significativas o de umbral. A partir
del monitoreo de estados es posible estimar la cantidad de ejemplares aptos
para cosecha, lo cual se traduce en la productividad del cultivo. Las
estimaciones se realizan para fechas determinadas al relacionar los estados
con sus tiempos respectivos de cosecha (Rodríguez & Flórez, 2006).
La estimación bruta realizada por el Grupo Andes Farms S.A.S consiste
primeramente en la selección de camas piloto representativas, estas deben ser
homogéneas respecto a sus camas vecinas, buscando tener un muestreo
entre el 7 y 10% de la nave, después, se realiza el conteo de los cuatro estados
fenológicos (arroz, arveja, garbanzo y raya color) en dichas camas piloto, los
valores obtenidos son multiplicados por el número de camas que representan
y sumados con los resultados de las demás camas pilotos.
6.3. Procesamiento de imágenes
Las imágenes son señales y como todas las señales son funciones dependientes de
alguna variable que tiene un significado físico, en este caso la información suele estar
asociados a fenómenos ópticos derivados de la interacción de la materia con la
radiación presente en los diferentes bandas del espectro electromagnético, las
imágenes son de naturaleza bidimensional o multidimensional; la extracción de la
información contenida en las imágenes suele seguir el diagrama de flujo presentado
en la figura 4. en donde en cada una de las etapas se posee un objetivo y un conjunto
de técnicas que le permitan cumplirlo (Gonzalez & Woods, 2008).
Figura 4. Diagrama de flujo del procesamiento de imágenes.
Fuente: (Woods, 2008)
6.3.1. Adquisición de datos
La importancia de esta etapa radica en que las técnicas de procesamiento a
utilizar estarán condicionadas por la naturaleza de la imagen de entrada que
se captura durante esta etapa, a su vez, los tipos de imagen opcionales para
la adquisición están determinados por la disponibilidad o accesibilidad de los
equipos respectivos para la captura; los tipos de imagen pueden separarse en
imágenes dentro del espectro visible y por fuera de este o hiperespectrales.
30
Algunas variables de las imágenes son:
❖ Tamaño de la imagen: Hace referencia al número de píxeles
(información) que contiene la imagen.
❖ Resolución: Detalles observables en la imagen, se refiere a la
distribución espacial de los píxeles (densidad), una mayor cantidad de
píxeles por unidad de área mejora la calidad de la imagen, en tanto una
cantidad baja de píxeles produce una imagen de mala calidad.
❖ Contenido espectral: Se refiere al número de bandas que están
contenidas en la imagen, esto determina el tipo de la misma; para
imágenes a color se suelen tener tres bandas Red, Green y Blue
haciendo referencia la absorbancia en colores primarios para el
espectro visible, existen otros tipos como infrarrojas, ultravioletas,
hiperespectrales o modificaciones del espacio como CMYK (Cyan,
Magenta, Yellow, Key) o HSL (Hue, Saturation, Lightness); también
existen casos específicos como las imágenes binarias o en escala de
grises donde el contenido espectral se encuentra en la luz visible pero
hay ausencia de color.
❖ Contraste: Diferencia en la luminosidad del objeto de interés (para este
caso; botón floral) con respecto al fondo.
❖ Percepción de agrupación: Medida en cuanto a la facilidad para el ojo
humano de agrupar objetos con características similares presentes en
la imagen (Sonka, 2013).
6.3.1.1. Imagen digital
Una imagen digital es la representación informática de elementos reales en
un paisaje. Son producto de la conversión análoga digital que se lleva a
cabo por el dispositivo de captura. Las condiciones físicas del dispositivo
determinan las características de la imagen, desde la cantidad de pixeles
empleados para la reconstrucción digital (resolución) hasta las diferencias
entre la definición de ciertos objetos en la imagen (enfoque). Algunas
características del dispositivo que repercuten en la imagen son las
siguientes:
❖ Distancia focal: Es la distancia entre el sensor y el lente de enfoque.
Dependiendo de ésta se tiene el ángulo de visión, entre más se reduzca
la distancia se genera una imagen en un mayor ángulo como se
observa en la figura 5. La distancia focal puede variar mecánicamente
gracias al aditamento de zoom análogo con el que cuentan algunas
cámaras, o automáticamente; donde la varianza de ángulo es mínima,
pero se consigue enfocar objetos que se encontraban fuera de la
profundidad de campo (García & Osuna, s.f.).
31
Figura 5. Ángulo de visión para distintas distancias focales.
Fuente: (Objetivo Imaginario, 2015)
La distancia focal de una cámara se puede expresar geométricamente
de dos maneras; vertical u horizontalmente donde las fórmulas
consisten en la aplicación del ancho del sensor en un plano y la
distancia focal que se conoce, con el fin de hallar el campo de visión en
un plano.
De manera general no hay significancia al cambiar el plano, sin
embargo, en algunos casos y por ajustes de la cámara el ancho del
sensor puede variar acorde a la necesidad.
(Bourke, 2003)
❖ Profundidad de campo: Rango de profundidad en la imagen en el que
los objetos se encuentran enfocados. Se correlaciona con la distancia
focal y con la apertura del lente (García & Osuna, s.f.).
❖ Diafragma de apertura: Por lo general se entiende como el diámetro de
la “pupila” del lente, pero en realidad corresponde a la relación distancia
focal/diámetro de apertura (García & Osuna, s.f.).
Figura 6. Relación entre profundidad de campo y valores menores de apertura.
Fuente: (Objetivo Imaginario, 2015)
32
❖ Sensibilidad ISO: Es el rango del sensor interno que indica la
exposición a la luz por unidad de tiempo, valores más elevados de ISO
indicarán una mayor recepción de iluminancia inciden en un menor
intervalo de tiempo, lo cual repercute en imágenes con una mayor
iluminación (García & Osuna, s.f.).
6.3.2. Relación entre píxeles
Los píxeles poseen diferentes relaciones respecto a su entorno de modo tal
que se pueden establecer ciertos criterios para obtener información útil de los
mismos y construir o desglosar información de la imagen global.
6.3.2.1. Vecindad
Dado un píxel (P) en una imagen digital, cuyas coordenadas corresponden
a (x,y), este posee un vecindario correspondiente a los 8 píxeles ubicados
alrededor del mismo, los cuales se dividen 2 vecinos horizontales (P4 y P5
en fig. 7), 2 vecinos verticales (P2 y P7 en fig. 7) que conforman lo que se
conoce como el vecindario 4 N y 4 vecinos diagonales (P1, P3, P6 y P8 en
fig. 7) que en conjunto con el vecindario 4 N conforman el vecindario 8 N del
píxel; el vecindario de un píxel puede verse disminuido si se ubica en el
borde de la imagen.
Figura 7. Vecindario de un píxel (P)
Fuente: Elaboración propia
6.3.2.2. Adyacencia
La relación de cercanía entre píxeles puede ser determinada mediante su
vecindario y de allí surge el concepto de adyacencia en el cual dados dos
píxeles P y Q serán adyacentes si Q se encuentra dentro del vecindario de
P y basado en la ubicación de Q dentro del vecindario de P se pueden definir
tres tipos principales de adyacencia:
4-Adyacente: Si el píxel Q pertenece al vecindario 4 N de P.
8-Adyacente: Si el píxel Q pertenece al vecindario 8 N de P.
33
Adyacencia mixta: Si el píxel Q pertenece al vecindario 4 N de P ó Q
se encuentra dentro de los vecinos diagonales de P y la intersección de
sus vecindarios 4 N es nula.
6.3.2.3. Conectividad
A pesar de que la adyacencia de píxeles brinde información valiosa respecto
a las posiciones relativas entre píxeles, es una medida que no puede indicar
qué tan parecidos son los mismos; es allí donde se establece el criterio de
conectividad, en el cual 2 píxeles pueden ser adyacentes pero sólo se
encuentran conectados si poseen el mismo valor (Para una imagen binaria)
o si se encuentran dentro de un rango específico (Para una imagen en
escala de grises); a través de la conectividad se pueden definir “caminos”
entre píxeles con diferentes ubicaciones dentro de la imagen para observar
si existe conexión entre ellos dado una serie de píxeles intermedios que
posean conexión entre sí (González & Woods, 2008).
6.3.2.4. Conexión de elementos
La conectividad global de elementos se deriva de la conectividad entre
píxeles, al saber que dos píxeles se encuentran conectados solo en el caso
de que exista un camino de píxeles conectados entre los dos, todos los
píxeles que se encuentren dentro de dicho camino pasan a ser parte de un
elemento, el cual a su vez está conformado por la suma de todos los
posibles píxeles dentro de la imagen que se encuentren conectados entre
sí (Fontaine, 2000).
6.3.2.5. Límites
También conocido como contorno, es el grupo de píxeles que se encuentran
adyacentes a un elemento más no se encuentran conectados al mismo, es
decir no comparten la característica o criterio de conexión lo cual permite
identificar como un cambio de alta frecuencia o discontinuidad (González &
Woods, 2008).
6.3.3. Visión estereoscópica
La visión estereoscópica es la técnica a partir de la cual se adquiere percepción
de la profundidad en un paisaje. Consiste en la captura de una imagen desde
dos puntos de observación que se encuentren desplazados levemente uno del
otro en un mismo plano como se visualiza en la figura (8).
34
Figura 8: Imagen estereoscópica (a) vista izq y (b) vista derecha.
Fuente: Hernández, 2010.
Esta técnica puede considerarse como una forma de biomimesis pues las
estructuras que la construyen en base a esta pretenden imitar la visión binocular
que tienden a presentar los depredadores. El principio de funcionamiento yace en
la disparidad entre las imágenes, la disparidad en este caso se refiere a la
diferencia entre las coordenadas de los objetos de una imagen a la otra. A mayor
cercanía de los puntos de observación la disparidad perceptible en los objetos
incrementa, en base a esta relación es posible el cálculo de la distancia entre los
objetos en el espacio y el observador (Universidad Nacional de San Juan, 2015).
6.3.3.1. Triangulación
En el proceso de visión estéreo la determinación la profundidad se puede
realizar por medio de la triangulación, donde se debe tener en cuenta que la
baja precisión tiende a darse si no se halla con anterioridad una buena
correspondencia entre elementos, al realizarse la toma de imágenes, las
proyecciones sólo se tendrán en el eje x, es decir, que los elementos de la
imagen solo tendrán desplazamiento horizontal y dicho desplazamiento se
conoce como disparidad, ahora bien para cada característica que haya
encontrado su correspondencia con una característica de una imagen
estereoscópica está obtendrá su valor de disparidad.
Figura 9. Geometría de cámaras estereoscópicas.
Fuente: (Martínez, 2010)
En la figura 9 se observa el sistema de triangulación visto desde una
perspectiva superior, donde se identifica a b como la línea base y a f como la
distancia focal, mienta que P es un punto real donde PI es la proyección hacia
la izquierda con coordenadas (XI, YI) y PD será entonces la proyección hacia
35
la derecha (XD, YD), por último, la disparidad se representa con la letra d
siendo el desplazamiento horizontal que se genera en la triangulación.
De la geometría utilizada se obtienen las fórmulas para las imagen derecha e
izquierda, en donde la profundidad de z es inversamente proporcional a la
disparidad, se debe tener en cuenta que al ser mayor que b y b mayor de que
d la línea base puede ser mayor con la finalidad de mejorar la exactitud de
profundidad (Martínez, 2010).
6.4. Espacios de color
Se define como un método por el cual se puede especificar, crear y visualizar el color
de una imagen, la finalidad de este modelo es facilitar la especificación de los colores
de manera estándar, es decir, representar un color en forma numérica, generando
representaciones reproducibles de color en forma analógica o digital. El conocer los
espacios de color que contiene una imagen facilita el procesamiento y segmentación
de la misma, dichos espacios se conocen gracias a un modelo de color matemático,
el cual tiene como función expresar los colores en tuplas (triples en RGB y cuádruples
en CMYK).
6.4.1.1. RGB
Utiliza rojo, verde y azul para elaborar un modelo de color, este espacio de
color puede interpretarse como la formación de todos los colores posibles que
se pueden obtener entre la mezcla de los colores que usa. En el modelo RGB
a cada píxel de una imagen se le asigna un rango de 0 a 255 valores de
intensidad según los componentes RGB con los que cuenta, es decir, usando
sólo estos tres colores teóricamente puede haber 16,777,216 colores en la
pantalla por diferentes proporciones de mezcla (Pierre, 2014).
36
Figura 10: Representación de cubo RGB.
Fuente: (Pierre, 2014)
La distribución espectral para cada uno de los monocromáticos utilizados en el
espacio RGB se definen como S(�), se debe considerar que de manera
estandarizada la función r(�) será rojo y se encontrara en 700 nm, g(�) el cual
es verde será de 546.1 nm y b(�) de 435.8 nm (Fairman, 1997).
6.4.1.2. CMYK
Usa cian, magenta, amarillo y negro (key) en su modelo de color el cual es
principalmente usado en las impresiones, este modelo actúa como un opuesto
al RGB donde cian actúa como filtro del rojo, magenta del verde y amarillo del
azul. Básicamente este modelo absorbe y refleja longitudes de onda
específicas donde los valores de cada color oscilan en porcentajes del 0 al
100%, además se debe tener en cuenta que este modelo suele tender a
convertir otros modelos para visualizar imágenes en su espacio de color
(Jackson, 2015).
6.4.1.3. HSV
Utiliza matiz, saturación y valor (hue, saturation, value) este modelo suele
identificarse debido al cono de colores que maneja en donde la región circular
del cono representa el matiz, el eje horizontal representa la saturación y por
último el eje vertical muestra el valor del color; cada uno de los tres caracteres
muestra la siguiente información:
Matiz (Hue): Es la proporción de color con la que cuenta el modelo y esta se
expresa en forma numérica por medio de los grados de 0° hasta 360° donde
37
rojo es el inicial que se representa de 0 a 60° y magenta el final representado
de 300 a 360°.
Saturación: El modelo representa la saturación como la cantidad de gris que
existe en el color por medio de porcentaje hasta el 100%, en ocasiones se
toman dos valores que son 0 y 1 donde 0 es gris y 1 un color primario.
Value: Trabaja en conjunto la saturación y básicamente describe la intensidad
del color desde 0 hasta 100 porciento, donde 0 es negro total y 100 es el más
brillante mostrando una mayor cantidad de color (Bear, 2017).
Figura 11: Representación de cilindro de HSV.
Fuente: (Bear, 2017)
6.4.2. Pre-procesado
El pre-procesado está compuesto por las múltiples operaciones en una imagen
que tienen como objetivo, suprimir algunas distorsiones o mejorar algunas
características por medio de la inclusión de transformaciones geométricas,
detección de bordes o restauración de imágenes; siendo esto lo más básico
que se puede utilizar en esta fase (Fisher, 2013). No obstante, es importante
resaltar que el pre-procesado es el nivel más bajo de abstracción en la entrada
y salida de una imagen, es decir que esta fase no incrementa la información
de una imagen, simplemente reduce la información innecesaria para
posteriormente especificar aquellas tareas que se deben realizar en el
procesamiento de imágenes.
6.4.2.1. Transformaciones de brillo en los píxeles
Esta transformación dependerá netamente de aquellas propiedades
con las que cuente un pixel. Acorde a sus propiedades se podrán
utilizar dos clases transformaciones en estos. El primer método es
conocido como correcciones de brillo, en este se modifica el brillo de
los píxeles teniendo en cuenta su brillo original como también su
posición en la imagen, mientras que las transformaciones a escala de
grises simplemente modifican el brillo sin tener en cuenta la posición
del píxel en la imagen (Fischer, Breckon, 2013).
38
6.4.2.2. Transformaciones geométricas
Este tipo de transformaciones es principalmente utilizado para la
corrección de distorsiones geométricas, la realización de ésta requiere
la definición de una transformación de coordenadas de píxeles junto
con un esquema de interpolación. En diversos casos de pueden
considerar las transformaciones geométricas sólo en 2D, siendo esto
suficiente para la mayoría de imágenes digitales. Esta fase consta de
dos pasos básicos, el primero hace referencia a la transformación de la
coordenada en los píxeles, donde dicha transformación puede basarse
en una rotación, un cambio de escala o una inclinación del ángulo. El
segundo paso es conocido por realizar una interpolación de brillos
donde se busca encontrar el punto digital que mejor coincida con el
punto transformado con la finalidad de determinar su valor de brillo.
6.4.2.3. Pre-procesado local
Los métodos de pre-procesamiento local se dividen en dos métodos
según el objetivo que se quiera conseguir. El primer método consiste
en suavizar y suprimir el ruido u otras fluctuaciones pequeñas en la
imagen, sin embargo esto lleva una desventaja, pues al intentar
suprimir información no deseada se corre el riesgo de borrar
información importante sobre la imagen. Por otra parte, el segundo
método se basa en derivados locales, estos serán más grandes en
aquellas localizaciones de la imagen donde la imagen experimenta
cambios rápidos, aquí el objetivo del gradiente radica en indicar tales
localizaciones en la imagen.
6.4.2.4. Restauración de imagen
En esta última fase del pre-procesamiento, aquellas técnicas que se
trabajan para la restauración de imágenes se basan en convolución
aplicada toda la imagen. Dichas técnicas pueden clasificar como
determinísticas o estocásticas. Las técnicas determinísticas se suelen
aplicar a imágenes con poco ruido y una función de degradación
conocida. Mientras que las técnicas estocásticas intentan encontrar la
mejor restauración de acuerdo con un criterio estadístico particular
(Sonka, 2013).
6.4.3. Operaciones morfológicas
Las operaciones morfológicas son aquellas que dependen de la forma y la
geometría de una imagen, al ser utilizadas en el procesamiento de imágenes
ayudan a simplificar y conservar las características de forma en los objetos. Se
39
tienen dos operaciones primarias llamadas erosión y dilatación, al aplicarse
una sobre la otra se obtienen dos operaciones llamadas apertura y clausura,
dichas operaciones pueden realizarse de manera binaria en niveles de gris o
incluso a color si es necesario.
6.4.3.1. Erosión
Esta operación consta de dos entradas, la primera se cataloga como
una imagen la cual sufrirá el efecto de erosión, mientras que la segunda
entrada es un elemento estructurado el cual es más pequeño que la
imagen, la función de este es dar el efecto de erosión, de forma
matemática la erosión se puede definir como:
Un conjunto x el cual es erosionado por un elemento estructurado B, es
denotado como el lugar geométrico de los puntos de x tales que B se
incluye en x cuando su origen se ubica en x, es decir, que parte del
componente conectado del conjunto x ha desaparecido ya que el
elemento B nunca se ajusta en su totalidad al conjunto x como se
observa en la figura 12.
Figura 12. Erosión de un conjunto.
Fuente: (Soille, 2004).
6.4.3.2. Dilatación
Es el operador dual de la erosión, se utilizan dos entradas, donde la
primer entrada es una imagen que sufrirá la dilatación y la segunda
entrada será un elemento estructurado el cual expandirá a la imagen,
matemáticamente la dilatación se define como:
Un conjunto X que es dilatado por un elemento estructurador B, que se
denota como el lugar de los puntos de x donde B encuentra a x cuando
su origen coincide con x, en este caso cada vez que B se encuentra
con x, se podrán unir algunos componentes agrandando la escala de
gris de la imagen que se trabaja cómo se visualiza en la figura 13.
Figura 13. Dilatación de un conjunto.
40
Fuente: (Soille, 2004)
6.4.3.3. Apertura
Se basa en dilatar lo que ha sido erosionado con anterioridad para
recuperar la mayor cantidad de información posible dejando así la
imagen en una forma casi original, la apertura permite que el elemento
estructural se mantenga en la imagen, esto de forma matemática se
representa como:
La apertura de un conjunto x por la unión de las traslaciones de B, tal
que B se incluye en x, teniendo en cuenta que la imagen es
independiente al origen del elemento estructurado, permitiendo así una
recuperación de información en los pixeles.
Figura 14. Apertura de un conjunto.
Fuente: (Soille, 2004)
6.4.3.4. Clausura
Tiene como fin recuperar la forma inicial de una imagen que se ha
dilatado, esto se realiza erosionando la imagen dilatada, en otras
palabras, la erosión de una imagen que primeramente ha sido dilatada
dará paso a una clausura la cual restaura parte de la imagen original,
matemáticamente se define como:
El cierre de un conjunto por un elemento estructurado B, el cual se
puede considerar equivalente a la unión de las traslaciones de los
elementos estructurados B que se compactan con el conjunto x como
se muestra en la figura 15 (Soille, 2004).
Figura 15. Clausura de un conjunto.
Fuente: (Soille, 2004)
41
6.4.3.5. Apertura de área (variante realizada por MATLAB)
La apertura morfológica consiste en una secuencia de erosión y
dilatación. Sin embargo, la aplicación que se la da en este documento
viene en la forma de una función que genera un resultado semejante a
partir de una técnica distinta. La función en particular, realiza un filtro
de los objetos en la imágen a partir del tamaño de su área y de la
conectividad que tengan a otros objetos de mayor área (MATLAB, s.f.).
6.4.3.6. Relleno de agujeros
Para la eliminación de partículas oscuras, como es el relleno de
agujeros, se hace uso del cierre morfológico. Se entiende como
agujeros a las partes del fondo que no pueden ser alcanzadas llenando
la imagen desde las esquinas de esta, esto se debe a que estos
agujeros se encuentran rodeados por o dentro de otros objetos, por
agujeros se entienden a las secciones dentro de un objeto donde la
conectividad de éste se interrumpe sin perderse por completo, el objeto
no debe ser dividido la conexión entre pixeles debe rodear al agujero
en cuestión. En esta operación se define como marcador las esquinas
de la imagen que no interseccionan con ningún objeto, mientras que la
máscara es el fondo mismo de la imagen (Universidad Nacional de San
Juan, 2015).
Figura 16. Imagen binaria con agujeros (izq), resultado del algoritmo de relleno de
agujeros (der)
Fuente: Elaboración propia
6.4.4. Segmentación
La segmentación consiste en la división de la imagen en partes diferenciadas
que poseen correlación respecto a objetos o áreas del mundo real contenidas
en la misma y las cuales contienen la información de interés que se buscan
obtener; la segmentación puede ser completa en la cual se obtienen grupos de
regiones en las cuales están contenidas la totalidad de los objetos o
segmentación parcial en la cual las regiones obtenidas no contienen la
totalidad de los objetos sino ciertas partes de los mismos. Algunas estrategias
de segmentación son las siguientes:
42
6.4.4.1. Umbralización
Muchos de los objetos o regiones de interés dentro de una imagen
pueden poseer rangos de absorción o reflexión de luz específicos por
lo cual al asignar un umbral de brillo o de contraste es posible
segmentar la imagen, el umbral es una constante asignada sobre la
cual se realiza una transformación de la imagen, si el píxel observado
supera o es igual al valor de umbral es un píxel de objeto, de lo contrario
es un píxel de fondo.
6.4.4.2. Umbralización multiespectral
La absorbancia o deflexión de luz puede darse en múltiples espectros,
en donde se pueden realizar procesos de umbralización para cada uno
de los espectros dividiendo la imagen en cada una de las bandas
espectrales presentes, umbralizando y uniendo la imagen de nuevo
obteniendo segmentación multiespectral.
6.4.4.3. Segmentación de ejes
La detección de ejes también es una herramienta útil para segmentar
las imágenes, en esta técnica se busca encontrar discontinuidades en
la imagen, que representan un cambio abrupto en alguna característica
de la misma, para de esta manera poder asignar una operación
secundaria que divida la imagen; algunas estrategias usadas son:
Umbralización de bordes, trazado de bordes, relajación de bordes,
conexión de nodos entre otros (Gonzalez & Woods, 2017) (Sonka,
2013).
6.4.4.4. Umbralización por el método Otsu
El método Otsu se define como un método de binarización de umbral,
donde se tienen en cuenta dos distribuciones una para el objeto de
interés y la otra para el fondo del objeto, la finalidad de este método
consiste en calcular un valor umbral y posteriormente reducir la
varianza entre las distribuciones mencionadas anteriormente,
matemáticamente esto se puede definir como la suma ponderada de
varianzas de las dos distribuciones (Goh, 2018).
Para la segmentación de imágenes, el método Otsu selecciona uno o
varios valores óptimos de umbral de niveles de gris con la finalidad de
separar el objeto de interés del fondo, basándose en la distribución de
niveles de gris. Al utilizar este método para la segmentación de
imágenes, se realiza por medio de histogramas bidimensionales (Otsu
43
2D) donde en una imagen de tamaño M x N se utiliza el nivel de gris
del píxel y su promedio local.
Figura 17. Vista superior de histograma.
Fuente: (Tian, 2015)
Si el histograma se observa desde arriba, en la coordenada X se
encontrarán los niveles de gris y en la Y se representan los promedios
locales de los niveles de gris, como se observa en la figura 17 existen
cuatro cuadrantes cada uno de estos ayuda a diferenciar el nivel de
gris para cada píxel, puesto que algunos son muy similares, de manera
más exacta en los cuadrantes 1 y 2 se contiene la información de
distribuciones de fondo y objeto mientras que los cuadrantes 3 y 4
tienen aquellas distribuciones de pixeles cercanos a los bordes y ruidos
no deseados (Tian, 2015).
6.4.5. Extracción de características
Existen diversas técnicas para la extracción de características, éstas varían
dependiendo tanto del propósito del estudio como de los recursos disponibles
para la realización de la tarea. En ésta etapa se busca la identificación y
aislamiento de las variables que se requieran para la clasificación en las
categorías respectivas del estudio. Se realizó una revisión de las técnicas
implementadas con frecuencia en la identificación de objetos en el sector
agrícola. Se destacan los análisis con base en imágenes en el espectro
infrarrojo, el análisis de propiedades en la imagen como el color y el contorno,
y el análisis aplicando puntos de interés (puntos que señalan características
específicas de la forma). Se descarta el análisis hiperespectral debido a que
los requerimientos tanto para la adquisición de equipos necesarios como para
el incremento en la robustez ante factores ambientales (Horton, Cano, Duke &
Fallahi, 2017), no se justifica al considerar el buen desempeño que evidencian
los algoritmos para imágenes no hiperespectrales.
Para un análisis sin la implementación de imágenes hiperespectrales se
utilizan técnicas como el CEDD o Color and Edge Directivity Descriptor, el cual
compara características de color y textura para identificar el tipo de espécimen
que está siendo observado, este tipo de clasificación ha sido empleado en
(Duggal, Sukhwani, Bipin, Reddy, & Krishna, 2016) para la identificación de
44
botones florales de granadilla. Esta categorización se lleva a cabo a partir de
la formación de matrices preexistentes con coeficientes de color y textura
correspondientes a las clases de salida.
Figura 18. Diagrama de algoritmo CEDD
Fuente: (Chatzichristofis & Boutalis, 2008).
Para la unidad de color cada bloque de imagen es transferido a un espacio
HSV (matiz, saturación, brillo) en donde se calcularán los valores de las siglas
respectivas. En la unidad de textura el bloque de imagen se separa en cuatro
regiones donde se procede a evaluar el valor de luminancia y crominancia
(Chatzichristofis & Boutalis, 2008).
Figura 19. Clasificación CEDD implementada.
Fuente: (Duggal, et al., 2016).
6.4.6. Representación y descripción de objetos en una imagen
La extracción de características de los objetos segmentados en una imagen
permiten obtener información para realizar procesos posteriores que permitan
entender el significado o lo que representa dicho objeto dentro de la imagen
(semántica); la descripción de dichas características suelen estar asociadas a
dos elementos: Las características externas de la imagen representadas en
sus límites o fronteras y las características internas de la imagen representadas
en los pixeles que componen la región (Gonzalez, Woods & Eddins, 2011).
6.4.6.1. Área
Se refiere al área de los objetos observables expresado como el
número de píxeles que componen un objeto o una región.
Matemáticamente puede ser definida como el número de píxeles del
45
objeto visible, la ecuación que representa la sumatoria a partir de filas
y columnas de información en la imagen es la siguiente:
(Platero, 2009)
La ecuación del área en forma continua se ve de la siguiente manera:
(The University of Edinburgh, 1997).
6.4.6.2. Centroide
Para un objeto específico en el espacio binario el centroide es la
posición dentro de éste en el que se tiene la misma distancia hacia
todos los puntos de la imagen (Platero, 2009). Su ecuación se obtiene
a partir de la forma continua del área:
(The University of Edinburgh, 1997).
6.4.6.3. Orientación
En imágenes binarias corresponde al ángulo de apertura entre el eje
horizontal y el eje mayor del objeto, sigue la dirección del eje mayor
(Platero, 2009).
6.4.6.4. Eje mayor
Sección del objeto binario que presenta el mayor diámetro entre dos
extremos (Platero, 2009).
6.4.6.5. Eje menor
Sección del objeto binario que presenta el menor diámetro entre dos
extremos (Platero, 2009).
6.4.6.6. Signatura
Corresponde al vector de distancias entre el centroide y las fronteras
(Platero, 2009).
46
6.4.7. Preprocesado de características
6.4.7.1. Normalización máximos y mínimos
Este tipo de normalización trabaja por medio de una escala de (0,1)
donde busca llevar a los valores medios a un valor máximo o mínimo.
En esta normalización se tiene que (u) es el valor normalizado, V(u)
valor alcanzado por los datos, Vmin valor mínimo alcanzado por la
variable y Vmax valor máximo alcanzado por la variable (Abdi, 2010).
6.4.7.2. PCA
La PCA tiene como objetivo extraer la información importante un
dataset, representarla como un conjunto de nuevas variables
ortogonales llamadas componentes principales, y mostrar el patrón de
similitud de las observaciones y de las variables como puntos en
gráficas (Abdi, 2010). Generalmente la PCA trabaja buscando
combinaciones lineales tal que la varianza máxima se obtenga de las
variables, sin embargo, la manera específica de cómo funciona un
análisis de componentes principales está dada por los siguientes
pasos:
Paso 1: Seleccionar el dataset con el cual se desea trabajar.
Paso 2: Se sustrae la media de cada dimensión de datos, puesto que
permitirá un mejor funcionamiento de la PCA, al restar la media se
tendrá el promedio de cada dimensión.
Paso 3: Aquí se calcula la matriz de covarianza, en caso de tener datos
bidimensionales se tendrá una matriz de 2 X 2, se debe tener en cuenta
que si los valores de la matriz son positivos se tendrá un incremento en
las variables X y Y.
Paso 4: Se calculan los eigenvectores y eigenvalores a la matriz de
covarianza, aquí se evidencia el incremento de las variables X y Y, de
manera individual los eigenvectores se pueden considerar como un
enfoque centrado en la varianza cuyo objetivo es reproducir la varianza
total con todos los componentes como también reproducir las
correlaciones, mientras que los eigenvalores miden la cantidad de
variación en la muestra establecida.
Paso 5: Posteriormente, se eligen los componentes para generar un
vector de características con la finalidad de reducir la dimensión de los
datos, una vez encontrados los eigenvectores de la matriz de
covarianza, se ordenan de mayor a menor los eigenvalores, dando
como resultado los componentes en orden de significancia. En este
paso se suele perder poca información o se puede trabajar con el
eigenvector mayor.
Paso 6: Por último, una vez seleccionados los eigenvectores y puestos
como vector de características, se toma la transpuesta del mismo y se
multiplica en la izquierda del dataset original transpuesto, básicamente
47
transformando los datos originales, facilitando el trabajo con
características de interés mejor reflejadas (Smith, 2002).
6.4.7.3. Transformación de potencia
La transformación de potencia de datos consiste en comprimir aquellos
valores altos con la finalidad de reducir las variaciones altas en un
conjunto determinado, existen diferentes maneras de realizar esta
transformación, entre las más comunes se encuentra la forma
logarítmica que es el método predeterminado y el inverso de la raíz
cuadrada calculado en cada dato.
(Grace, 2002)
6.4.8. Métodos de agrupación
6.4.8.1. Clústers
Un clúster se puede definir como un grupo de objetos que se
encuentran en conjuntos, cada elemento del clúster se encuentra
cercano entre sí con características iguales diferenciándose de otros
clústeres con semejanzas, pero con otras características diferenciales
que permiten la separación de datos en pequeños grupos. Cada
algoritmo utilizado para la ejecución de clústeres cuenta con dos
componentes esenciales, el primero es una clase que genera el método
de ajuste para los datos y el segundo es una función cuya función es
acomodar los datos en el conjunto correspondiente (Pedregosa, 2011).
6.4.8.2. K-means
Es un método de agrupamiento el cual trabaja por medio de clusters
donde dado un conjunto de n puntos de datos, el algoritmo utiliza un
enfoque de búsqueda local para dividir los puntos en k clusters, que se
encuentran representados por centros de masa. Es decir, que cada
punto se asigna al centro más cercano y los centros son calculados
como centros de masa de los puntos asignados, este proceso es
iterativo y no realiza una misma partición dos veces.
De manera general, los cluster son un medio para clasificar un conjunto
de datos en diferentes grupos o subconjuntos de datos a través de la
sumatoria de errores cuadrados, donde Jk es la maximización de la
distancia, x es la matriz, mk es el centroide del cluster y Ck el número
48
de puntos, al realizar las iteraciones se tiene en cuenta que se utiliza la
sumatoria de distancias entre dos o más cluster (Ding, 2006).
6.4.8.3. C-mean
Es una técnica no supervisada que cuyo uso se deriva en la ejecución
de clustering en la segmentación de imagen. Para realizar la
segmentación esta técnica disminuye iterativamente la función de costo
la cual depende de la distancia de los píxeles a los centros del clúster
según las características, puesto que los pixeles al estar altamente
correlacionados en una imagen presentan vecindades que poseen
datos con características similares.
El algoritmo C-means asigna pixeles a cada categoría establecida,
donde Xj representa los datos multiespectrales, al ser un algoritmo
iterativo se tiene que Uij será la categoría de cada pixel en Xj, mientras
que Vi es el i ésimo clúster, además se manejan parámetros
normalizados, donde m controla el parámetro de difusión (Chuang,
2005).
6.4.9. Clasificadores
6.4.9.1. Clasificador por k-vecinos
K-vecinos clasifica objetos en el espacio por medio de aquellos objetos
con características similares más cercanos que se encuentran en el
espacio, este método de clasificación requiere un proceso de
entrenamiento que básicamente consiste en almacenar vectores de
características y etiquetas de las imágenes para posteriormente
reconocer la clase de asignación de un objeto.
Generalmente, el objeto se clasifica de acuerdo a las etiquetas de
imagen más cercanas, donde si k=1 entonces el objeto se clasifica
como el objeto más cercano a él. Ahora bien, cuando cada imagen se
convierte en un vector fijo los vecinos más cercanos se definen por
medio de la distancia euclidiana utilizando la fórmula:
49
Donde x, y son histogramas que después participan en el proceso de
clasificación de k-vecinos, sin embargo, las características pueden no
clasificarse bien si los grados de similitud son altos entre sí (KIM, 2012).
6.4.9.2. Distancia euclidiana
La distancia euclidiana corresponde a la diferencia de posición entre
dos objetos que se encuentren en un espacio euclidiano. En el análisis
de imágenes la distancia euclidiana se considera para los pixeles
vecinos entre sí a corta distancia, además, al trabajar con imágenes
binarias se tiene en cuenta que cada pixel tiene un valor
correspondiente con respecto al píxel más cercano, obteniendo así el
valor real de dicha distancia entre los centros de los pixeles.
La expresión matemática de la distancia euclidiana guarda estrecha
relación con el teorema de Pitágoras, su definición también depende de
la existencia de coordenadas cartesianas en el espacio euclidiano
(Borgefors, 2010).
6.5. Pruebas estadísticas
6.5.1. Test de Anderson - Darling
Test estadístico usado para determinar si un grupo de observaciones
pertenecen a una distribución estadística específica, manejando la
hipótesis nula de que dichos datos pertenecen a la distribución
deseada, el criterio de decisión está dado por A2, y se basa en el
cálculo de S, en donde n es el número de observaciones, F(Y) es la
distribución de probabilidades acumulada y Y los datos ordenados.
Tras el cálculo de A2 se toma en cuenta el nivel de significancia
obtenido para la distribución analizada (Salgado, D, s.f.).
50
7. METODOLOGÍA
Se presenta el proceso llevado en cada fase establecida en el proyecto para el
cumplimiento total de los objetivos planteados, por cada fase se encuentran tareas
específicas enumeradas según el orden en el cual se desarrollaron las mismas hasta
cumplir con el objetivo específico.
Figura 20. Metodología seguida.
Fase I - Establecer el protocolo para la adquisición de imágenes del
cultivo de rosas de la variedad Freedom de Flores de los Andes.
El establecimiento del protocolo en cumplimiento con el primer objetivo, es
dependiente del establecimiento de los requerimientos pertinentes para la captura de
imágenes en el ambiente. Para el planteamiento de estos requerimientos es necesario
que previamente se lleve a cabo la identificación de las variables a los cuales se
encuentran relacionados; las condiciones estructurales y ambientales y el impacto que
tienen estas en la selección del dispositivo de captura de imágenes.
1. Identificación de características estructurales del invernadero y
consideración de algunos factores ambientales.
2. Identificación de características de interés en las rosas por medio de
entrevistas.
3. Se establecen los requerimientos para el tipo de imagen, el dispositivo
a emplear y la técnica de captura siguiendo las observaciones
realizadas en literales anteriores.
4. Se establecen tablas de ponderación para comparar tanto los
requerimientos como las alternativas encontradas para realizar la
elección del dispositivo de captura y el tipo de imagen.
51
5. Diseño de la estructura según los factores estructurales que rodean la
cama.
6. Establecimiento del protocolo de adquisición de imágenes.
Fase II - Desarrollar el software para la detección, diferenciación,
clasificación y conteo de botones florales de la variedad Freedom acorde
a los diferentes estados fenológicos.
Para el desarrollo de esta fase se tiene en cuenta los algoritmos revisados durante el
marco referencial, se realizan pruebas con estos antecedentes y se selecciona el
método más apropiado para la etapa respectiva. Se inicia con un análisis estadístico
de la distribución entre los valores para las características medibles de manera que se
posteriormente sea posible tener valores de umbral bajo los cuales realizar la
clasificación.
1. Análisis estadístico de las características medibles para la clasificación
de las rosas.
2. Pre-procesado de las imágenes identificando ventajas y desventajas en
técnicas como el cambio de resolución y distintos espacios de color.
3. Segmentación manual de botones en estado garbanzo, raya color y
punto de corte.
4. Comparación entre alternativas de segmentación a partir de la seriedad
de las problemáticas que se encuentren en las imágenes obtenidas. Se
selecciona la alternativa para la que se encuentren inconvenientes de
menor impacto
5. Detección de los botones florales en cada estado fenológico de interés
a partir de las propiedades de color mediante la alternativa
seleccionada.
6. Detección de profundidad a partir de imágenes estereoscópicas.
7. Comparación de rendimiento entre distintos métodos de agrupación y
clasificación para la selección de la alternativa que presente el mejor
desempeño para la tarea.
8. Clasificación de los estados diferenciados; garbanzo, raya color y punto
de corte.
9. Cuantificación de botones florales registrados en cada estado.
Fase III - Estimar la producción futura del cultivo con base en la cantidad
de botones florales presentes en cada uno de los estados fenológicos
determinados a partir del algoritmo.
Para llevar a cabo la estimación partiendo de la clasificación previa, se procede a
asociar los estados fenológicos a sus tiempos de cosecha a partir del modelo
implementado por la empresa., el cual se indago posterior a una reunión con estos.
1. Asociación de los estados fenológicos con el tiempo de desarrollo, a
partir del modelo implementado por la empresa.
2. Realización de la estimación con los datos obtenidos.
52
3. Generación de informe de producción.
- Evaluar el desempeño del algoritmo comparando la producción estimada respecto a la producción real.
Se realiza la comparación entre los resultados obtenidos mediante la estimación del algoritmo contra la estimación de la empresa.
1. Indagación de la producción real.
2. Cálculo de error.
3. Rendimiento del algoritmo en tareas de segmentación y clasificación.
4. Generación de datos estadísticos como medida de desempeño del
algoritmo.
53
8. DESARROLLO
En esta sección se explica el desarrollo de las tareas establecidas para cada objetivo
específico divididos en las fases I, II y III realizada durante el proyecto.
8.1. Fase I - Primer objetivo específico
8.1.1. Identificar las características estructurales del invernadero
Para la captura de imágenes se establece la necesidad de una estructura de
soporte para la cámara. Para el diseño de ésta estructura se toman medidas
de las dimensiones de la cama piloto asignada, cama 23 en el sector 6A, con
la finalidad de establecer los requerimientos espaciales de la estructura.
Haciendo uso de una cinta métrica o flexómetro se tomaron las medidas de
interés. Las variables son seleccionadas a partir de la observación de la posible
incidencia que puedan ocasionar sobre los resultados a obtener. Se midió el
ancho de la cama, de los caminos adyacentes a ésta, la altura de las flores
más elevadas, la distancia horizontal entre los extremos de los botones
laterales y la altura de los postes y cuerdas que sirven como soporte para el
invernadero.
Tabla 6. Ponderación de variables ambientales
Variable
ambiental Justificación de elección
Altura
El punto de captura de imágenes no solo debe estar por encima de las flores
más elevadas, también debe impedir que los botones más altos ocasionen
oclusión sobre las rosas aledañas. Adicionalmente se debe procurar que los
botones de las camas cercanas no aparezcan en las fotos y que se cuente
con una longitud aceptable de zona de captura (determinada por la
distancia focal), pues esta repercute sobre la cantidad de fotos necesarias
para el registro de la cama.
Temperatura En los antecedentes revisados se encontró que a partir del análisis del
espectro infrarrojo sería posible identificar los botones florales debidos a su
nivel de absorbancia térmica. Para validar o descartar esta alternativa se
realiza un registro de la temperatura media en el invernadero.
Humedad Si la humedad del ambiente es muy elevada el vapor de agua podría
precipitarse sobre la superficie de los lentes, lo cual implicaría una fuente
adicional de ruido para la captura de imágenes. Se tomará un registro de la
humedad relativa en el ambiente para determinar si resulta necesaria la
toma de precauciones adicionales para contrarrestar el impacto de esta
variable.
El nivel de iluminación del medio incide sobre la percepción de los colores
54
Iluminación tanto de las rosas como de su enmallado. Debido a que no se puede
controlar directamente la iluminación del medio, se opta por seleccionar una
cámara con un rango ISO que impida la saturación del sensor de la imágen
y que no se vea afectado por descensos en los grados Lux durante las horas
laborales.
Cercanía de
camas
aledañas
Además de evitar la filtración de botones de las camas aledañas, también
se debe tener en cuenta que el espacio entre las camas es el corredor por
el cual se desplazará la estructura. Esto se correlaciona con las
dimensiones que debe tener la base de la estructura a diseñar.
Ángulo de
fotografía
El ángulo de captura debe establecerse de manera que se puedan observar
las características de interés desde la perspectiva de visualización. Se debe
evitar el filtro de botones de otras camas.
Resolución
La imagen que sea tomada, deberá contar con los pixeles por pulgada
adecuados para brindar una buena calidad en la imagen permitiendo
trabajar con esta en el análisis de imagen.
Oclusión La oclusión que puedan presentar los botones florales causados por los
diferentes elementos presentes en la cama debe ser minimizada para
simplificar el procesado de las imágenes y disminuir posibles errores. La
perspectiva de captura se ve directamente relacionada con la oclusión que
se tenga en las imágenes.
Para registrar el comportamiento de factores ambientales como la iluminancia,
temperatura y humedad relativa, se hace uso del siguiente montaje electrónico:
Figura 21. Esquema del circuito con los sensores ambientales
Fuente: Elaboración propia.
Factores como la altura, la cercanía de camas aledañas y el ángulo de captura
pasan a ser considerados en el diseño de la estructura para la adquisición de
imágenes. Se realizan pruebas a distintos ángulos para observar el efecto que
se tiene sobre el contenido de las imágenes. Para la oclusión se establecen
55
índices de error entre la cantidad de botones contados en la cama y la cantidad
de botones presentes en las imágenes, a partir de los resultados que se
observen en estos índices se establecen consideraciones en torno al impacto
de esta variable y las posibles soluciones que se puedan implementar.
8.1.2. Levantamiento de requerimientos
8.1.2.1. Identificar las características de interés en las rosas
En reuniones con el gerente del cultivo como voz experta, se
determinaron aquellos estados de mayor relevancia para realizar la
estimación. Los estados de garbanzo, rayando color y punto de corte,
son los que representan la producción en el menor tiempo desde la
fecha de corte, en concordancia con las directivas del cultivo se
determina que la estimación obtenida debe estar enfocada en estos tres
estados.
Se tienen distintas características para diferenciar el estado actual de
las rosas así como su potencial para exportación. Para la clasificación
de los estados fenológicos se tiene en cuenta el tamaño de los mismos
y el desarrollo del botón hasta el momento, el desarrollo es entendido
como la retracción de los sépalos ante el crecimiento y expansión de
los pétalos, este cambio puede interpretarse como una variación en la
proporción de color rojo visible. Factores como el grosor del tallo y la
longitud del mismo se tienen en cuenta en etapas de postproducción,
sin embargo, tienen poca influencia o relevancia durante la clasificación
para la predicción de cosecha.
Para seleccionar las características a utilizar en la clasificación de las
rosas, se describirán las problemáticas que se encuentren con la
implementación de cada una, y a partir del análisis de éstas se
determina cuáles características facilitan el proceso de clasificación en
estados fenológicos.
8.1.2.2. Selección del tipo de imagen
Durante el establecimiento de los requerimientos de adquisición de
imagen, se realizaron pruebas y medidas correspondientes que
permitieran identificar características básicas y primordiales a tener en
cuenta durante la toma de imágenes estereoscópicas. En primer lugar,
se midieron las longitudes de las rosas para poder establecer un rango
de altura donde se visualicen de manera adecuada, seguido a esto se
tomaron imágenes de prueba para indagar acerca del rango ISO de la
cámara con la finalidad de capturar adecuadamente las condiciones del
medio, posteriormente y en conjunto se evaluó la intervención de
camas aledañas y el ángulo idóneo para la tomas de imágenes,
56
evaluados por imágenes tomadas a 0°, 10°, 20°, 30° y 45° donde se
comparan la cantidad de flores de la cama piloto asignada con respecto
a la interferencia de la cama vecina.
Se tomó en consideración la adquisición de imágenes RGB y de
imágenes térmicas. Para validar la implementación de las últimas se
realiza el registro de la temperatura durante las horas laborales.
También se investigó la alternativa de emplear un kinect u otros
dispositivos similares que generen una nube de puntos para una
posterior reconstrucción 3D. Sin embargo, para todos los casos
encontrados, la zona muerta de detección de los equipos implicaba
tener que ubicarlos a una altura de 50 a 70 centímetros por encima de
las rosas más altas, lo cual ocasiona conflicto con las estructuras de
soporte del invernadero.
En el tratamiento de imágenes RGB se encuentran menos
complicaciones mediante la aplicación de transformaciones de espacio
para destacar características de los botones. Adicionalmente, para
detectar la profundidad de los botones se lleva a cabo la captura de
imágenes estereoscópicas, calculando la profundidad a partir de la
disparidad en las imágenes.
Se selecciona el dispositivo de adquisición a partir de los
requerimientos establecidos pertinentes al dispositivo.
8.1.3. Diseñar la estructura de soporte
Tomando en cuenta la información recolectada con respecto a las dimensiones
de la cama y los elementos en ella, se realiza el diseño de la estructura de
soporte. Se compone por una base a nivel del suelo sobre la que se ubica un
poste que eleva la cámara a la altura determinada para la toma de imágenes.
Teniendo en consideración la altura de los botones y de las estructuras de
soporte se determina una elevación del lente sobre el suelo de 2.85 m., un
valor superior a este traería complicaciones debido a que imperfecciones en el
nivel de suelo sobre el que se ubique la base podría elevar adicionalmente la
estructura y ocasionando que colisione con las estructuras de soporte.
Adicionalmente valores inferiores al seleccionado pondrían ocasionar un alto
grado de oclusión como resultado de que los botones de mayor altitud (~2.5
m) queden directamente debajo del lente.
El segmento final de la estructura corresponde a la sección sobre la que se
ubican las cámaras. Con la finalidad de adquirir imágenes estereoscópicas se
emplean dos cámaras ubicadas una junto a la otra emulando la acción de una
cámara estereoscópica.
57
8.1.4. Establecer el protocolo de adquisición de imágenes a partir de la
información recolectada
A partir de la información recolectada en torno al cultivo y el diseño realizado
para la estructura de soporte se redacta el protocolo a manera de
instrucciones. El protocolo en cuestión toma en cuenta los inconvenientes y las
observaciones respectivas que se presentaron en el proceso de la toma de
imágenes de prueba empleando la estructura.
Figura 22. Diagrama metodología fase 1.
Fuente: Elaboración propia
8.2. Fase II - Segundo objetivo específico
8.2.1. Registro de rosas y sus respectivos estados en la cama asignada
Se realiza el mapa de la cama piloto en el cual se cuentan y clasifican los
botones encontrados para los estados de garbanzo, raya color y punto de
corte. A partir de los resultados del conteo manual se compara el desempeño
del algoritmo preliminar para la tarea de identificación y conteo de botones.
58
Para observar la distribución estadística de los diámetros del botón en los
diferentes estados se calculó el promedio de los datos y se crearon 6 bins
equivalentes al promedio ± la distribución estándar. Adicionalmente se hizo uso
del test de Anderson-Darling el cual es una prueba empleada para evaluar si
en un conjunto de datos se presenta una distribución estadística normal, dada
la semejanza de los histogramas a la campana de Gauss se emplea como
criterio para determinar si se presenta distribución normal o no, para esto se
hizo uso de la función adtest en MATLAB, para validar la hipótesis nula de que
los datos pertenezcan a una distribución normal ante una significancia
predeterminada del 5%.
8.2.2. Segmentación manual
Para poder trabajar en paralelo en el desarrollo del algoritmo de procesamiento
de imágenes, se realiza la segmentación manual de los botones florales
presentes en la imagen de modo tal que se pudiera trabajar con los botones
individuales (Producto esperado de la etapa de segmentación del algoritmo)
en procedimientos como su clasificación en cada uno de los estados
fenológicos en que se encuentran o su diámetro para conocer la categoría final
de la rosa. Para realizar el proceso de segmentación se hizo uso del programa
Photoshop CS6 y mediante la herramienta de selección rápida se procedió a
separar los botones presentes en la imagen.
8.2.3. Comparación entre algoritmos encontrados que permitan la
segmentación de los botones florales.
Se ponen en práctica los algoritmos encontrados durante el anteproyecto. Se
toman aspectos del algoritmo CEDD a partir de transformaciones de espacio
y posterior concatenación con formas geométricas. Se realizan pruebas con
la segmentación en distintos espacios de color; RGB, y HSV, adicionalmente
se realizan pruebas con la segmentación por entropía. Se selecciona el método
acorde a las observaciones que se realicen. Se procederá a analizar la
proporción de color rojo y verde en los botones segmentados para la posterior
agrupación.
Para el procesamiento de imágenes estereoscópicas se investiga en torno a
las tareas de preprocesamiento que deben realizarse para poder implementar
el principio de triangulación y conocer la profundidad de los objetos en la
imagen. Una de las etapas cruciales en la preparación de imágenes
estereoscópicas es la rectificación de las mismas, para la realización de esta
tarea se debe obtener un objeto de calibración para realizar la rectificación
mediante MATLAB. Una vez se realiza la rectificación se implementan métodos
para comparar las coordenadas entre los botones entre los pares
estereoscópicos, con la finalidad de obtener la distancia a la que se encuentra
el botón de la cámara.
59
Una vez se obtiene la información correspondiente a la profundidad se puede
escalar la medida en pixeles de los botones a su valor real en milímetros.
8.2.4. Detección de botones florales en los estados de garbanzo, raya-
color y punto de corte
A partir de la transformación de espacios se procesa la imagen para la
extracción de las características de interés, esta extracción se lleva a cabo
mediante la descomposición de valores de la imagen (Hue, Saturation y Value),
la magnitud de estos valores pasará a ser tomada en cuenta para la toma de
decisiones en el algoritmo en las tareas de detección, diferenciación y
clasificación.
Para la detección de botones se realiza la segmentación de la imagen
aplicando transformación al espacio HSV y método de Otsu para obtener el
valor de umbralización. A partir de dicho valor se obtienen las máscaras
binarias, las cuales se concatenan a continuación. Se remueve la máscara de
tono y se umbralizar su componente con el valor de tono correspondiente al
enmallado (0.4).
La máscara resultante se aplica sobre la imagen de manera que se aíslan los
componentes que presenten enmallado, en este caso se trataría de los botones
en los estados de interés.
8.2.5. Detección de profundidad a partir de imágenes estereoscópicas
Los pares estereoscópicos se rectifican para poder realizar el análisis
correspondiente de estos. Para la rectificación se requiere de la calibración de
la cámara a partir de la captura de múltiples pares estereoscópicos en los que
se visualice el patrón de un tablero de ajedrez a la distancia a la que se espera
encontrar los objetos de interés.
Las imágenes rectificadas, se emplean en la función de segmentación para
obtener las coordenadas de los botones entre las dos imágenes. Se emplea la
ecuación de triangulación y la función nativa de MATLAB para obtener la
profundidad de los botones y se comparan los resultados en cada caso
observando los productos obtenidos. Con esta información se escala las
medidas de los objetos segmentados a su tamaño real a partir de la distancia
focal de la cámara.
8.2.6. Diferenciación entre los estados fenológicos detectados
Una vez identificados los botones florales en la imagen, se procede a la
diferenciación y posterior clasificación de los mismos. Esta tarea se realiza
obteniendo los valores de color en el espacio RGB de las figuras segmentadas
y la disparidad entre las coordenadas de los botones entre las fotos
60
estereoscópicas. La asignación de clases o estados fenológicos se lleva a cabo
a partir de la proporción entre los colores rojo-verde. Se realizan pruebas
distintas imágenes para establecer la robustez de los umbrales de
clasificación.
Adicional al color también se hace uso del diámetro de los botones para realizar
la clasificación, estableciendo umbrales de tamaño como condicionales
adicionales para la asignación de clase.
8.2.7. Clasificación de los botones diferenciados en sus respectivos
estados
Se comparan datasets tratados con técnicas distintas para facilitar su posterior
agrupación. Una vez se seleccione la técnica o grupo de técnica de tratado de
datos comparando los outliers en los gráficos de dispersión resultante y la
uniformidad en las agrupaciones formadas, se procede con la comparación
entre métodos de agrupación y clasificación. El método se selecciona a partir
del rendimiento del mismo para separar las clases, seleccionando aquel que
presente el mayor rendimiento.
8.2.8. Cuantificación de los botones en cada estado registrado
Se procede a cuantificar la cantidad de instancias registradas para cada
estado, los resultados de esta tarea se encuentran directamente relacionados
con la estimación.
Figura 23. Diagrama metodología fase 2.
Fuente: Elaboración propia.
61
8.3. Fase III- Tercer y cuarto objetivo específico
8.3.1. Tercer objetivo específico
8.3.1.1. Asociar los estados fenológicos con el tiempo de desarrollo
Conociendo el tiempo de desarrollo hasta el estado cosechable, se
establecen los períodos de tiempo para la cosecha futura de los
botones en los estados de garbanzo, raya color y punto de corte. Para
esto, se revisan los datos de proyección productiva obtenidos por la
empresa.
8.3.1.2. Realizar estimación con los datos obtenidos
A partir de la cantidad de botones encontrados en los estados de
interés, se realiza la estimación de la producción en términos del
número de ejemplares en cada estado que se registraron y los tiempos
correspondientes para los cuales los botones de cada estado estarán
aptos para cosecha. Se realizan los ajustes al escalamiento a partir de
las complicaciones que se encuentren en el desarrollo del algoritmo con
la finalidad de encontrar la proporción adecuada contra la cual se
realiza la comparación de eficacia.
8.3.1.3. Generar el informe con la estimación de la producción
El valor obtenido para la producción futura es presentado en un informe
que se emplea para la comparación posterior del desempeño del
algoritmo.
8.3.2. Cuarto objetivo específico
8.3.2.1. Indagación de la producción real en el cultivo
Se consultó con el personal del cultivo en torno a la producción real
obtenida, esto se hizo por medio de entrevistas al gerente, supervisores
y cortadores del cultivo.
8.3.2.2. Realizar comparación entre la producción estimada y la
producción real
Se realizó la comparación entre la producción real bruta y la estimación
realizada, a partir de informes brindados por Flores de los Andes para
la posterior evaluación del desempeño del algoritmo en cuanto a la
exactitud de su medida.
62
8.3.2.3. Cálculo del error
Se obtiene el error en la medida a partir de la comparación previa, y se
compara con las magnitudes de error obtenidas históricamente por la
empresa en la realización de sus estimaciones.
8.3.2.4. Generar datos estadísticos como medida de desempeño del
algoritmo realizado
Los errores obtenidos en el método tradicional y el desarrollado se
organizan y comparan con los márgenes de error aceptables por la
empresa, de esta manera se lleva a cabo la evaluación del desempeño
del algoritmo para formular conclusiones en torno a las fortalezas y las
posibles mejoras del algoritmo realizado.
Figura 24. Diagrama metodología fase 3.
Fuente: Elaboración propia
63
9. RESULTADOS Y DISCUSIÓN
Los resultados del proyecto se presentan en concordancia con las fases establecidas en la
metodología. Cuando corresponda se presentará no solo el resultado directo de la actividad
sino también el desarrollo del análisis previo que llevó a la selección de la alternativa
implementada y/o el descarte de las otras opciones consideradas.
Una vez se presente la solución que brinde cumplimiento al objetivo de la fase, se expondrá
el análisis respectivo en torno a la calidad de la solución alcanzada como respuesta al
objetivo. Adicionalmente, se hará señalamiento a las observaciones de factores o relaciones
que se hayan hecho notorias en el desarrollo de la fase.
9.1. Fase I
9.1.1. Identificar las características estructurales del invernadero
Se registraron las medidas de relevancia en la cama asignada para el diseño
de la estructura.
Figura 25. Medidas identificadas en el ambiente de trabajo.
Fuente: Elaboración propia.
64
Tabla 7. Medidas de relevancia para el diseño de la estructura
Medida Valor
Altura máxima registrada para las flores de mayor tamaño.
2.6 m
Altura promedio de rosas. 198 cm
Altura a la que se encuentran cables de tensión y de soporte.
2.4-2.85 m
Ancho de la cama 60 cm
Espacio entre las camas 50 cm
Longitud de cama 30 m
Fuente: Elaboración propia.
Estas características son tenidas en consideración para el posterior
establecimiento de los requerimientos pertinentes para la estructura de captura
de imágenes.
Se estableció la necesidad de obtener datos de humedad, temperatura e
iluminancia para validar o descartar la implementación de ciertas técnicas y/o
medidas. A partir del registro realizado mediante sensores ubicados en el
sector de interés, se obtienen las siguientes gráficas que representan el
comportamiento de las variables durante las horas laborales.
Figura 26 ,27 y 28. Gráficas de humedad (izq), temperatura (der) e iluminancia (inf)
con valores promedio para cada variable.
65
Fuente: Elaboración propia
Los picos observados alrededor de las datos 25-30 corresponden a las últimas horas de sol del día de medición, los datos siguientes representan las horas de la mañana del día siguiente. Como se puede observar en la gráfica respectiva a la temperatura, las medidas tienden a estar por encima de los 20°C. En los documentos revisados se encontró que la absorbancia térmica en flores se aproxima a los 20°C. El poco contraste que se tendría en el espectro infrarrojo descarta la posibilidad de emplear imágenes térmicas para aislar a los botones del medio. La humedad relativa se encuentra por debajo del 70% durante las horas de la mañana. Para que se presente precipitación sobre superficies como los lentes se requiere de un ambiente saturado, humedad al 100%. Estos resultados descartan la toma de precauciones ante el evento de que se obstruyan los lentes por acción de vapor precipitado. La iluminancia del medio es una pauta para determinar el rango ISO que debe tener el dispositivo de captura que se adquiera. Se tiene valores en promedio de 10000 lux durante el tiempo de medición, esto nos indica que se debe buscar un dispositivo cuyo rango ISO tenga un bajo límite inferior, pues las condiciones no ameritan que se requiera de una alta sensibilidad a la luz.
9.1.2. Diseño ingenieril
En esta sección se expone el levantamiento de los requerimientos para el
dispositivo de adquisición y para las imágenes a procesar. Siguiendo la
metodología, la toma de decisiones se llevará a cabo a partir del
establecimiento de tablas de ponderación o del análisis directo de las
características o requerimientos de mayor relevancia para la selección
respectiva.
66
9.1.2.1. Identificación de requerimientos
9.1.2.1.1. Características de interés en las rosas
A partir de la observación del cultivo y entrevistas con el gerente
de la empresa y el supervisor del sector asignado, se
determinaron variables a considerar en la diferenciación y
clasificación de los botones. Se emplea una tabla de
ponderación para comparar los factores asociados a cada
característica; como la dificultad en su obtención (tanto por
técnica a emplear como por el tiempo de implementación), la
fiabilidad de la información que aportaría y la relevancia general
de dicha información.
❖ Diámetro de botón: la rosa incrementa su tamaño
progresivamente conforme continúa su desarrollo hasta la etapa
de cosecha. Si bien esta característica está relacionada con el
botón en particular ya que algunos pueden resultar
naturalmente más grandes que otros, existen ciertos rangos de
medidas que son específicos para los estados fenológicos. Este
permite establecer umbrales condicionales que incrementen la
exactitud de la clasificación a realizar.
❖ Color de botón: En el desarrollo del botón los sépalos se retraen
dando paso a los pétalos. Con el crecimiento y apertura de los
pétalos se denota el característico color rojo de la rosa. El
cambio de color predominante en el botón es el factor que
evidencia a primera a vista la transición de un estado a otro.
Para la implementación de esta característica como variable de
clasificación se deben establecer rangos objetivos para
determinar la cantidad de rojo en la imágen a partir de la cual se
puedan separar los estados.
❖ Altura de botón: Esta característica se encontraría relacionada
con la clasificación por longitud de la rosa en la etapa de post-
producción, pero resulta irrelevante para el proceso de
clasificación de botones para la estimación productiva.
❖ Grosor tallo: El grosor del segmento del tallo adyacente al botón
también incrementa con el desarrollo de este. Sin embargo, la
medida de esta variable a partir de imágenes se ve dificultada
debido a que no cuenta con una cualidad que permite el
aislamiento del tallo para su medida. Adicionalmente, se tiene
la misma complicación que para la medida del diámetro debido
a que el grosor que alcance el tallo varía entre distintas rosas.
67
Comparando las problemáticas encontradas para cada variable,
se determina que el color visible en los botones y el diámetro de
estos durante su desarrollo, son las características que
permitirían el modelo de clasificación más adecuado para la
tarea a realizar. El diámetro es tomado para establecer valores
de umbral condicionales debido a que distintos especímenes
pueden ser naturalmente más grandes que otros sin necesidad
de que se encuentren en otros estados.
9.1.2.1.2. Requerimientos de imagen y adquisición
Para poder analizar propiamente el impacto de la oclusión en la
captura de imágenes, se realiza el conteo de la cantidad de
botones ocluidos y se extrae el porcentaje correspondiente a la
cantidad de botones presentes en la cama.
Tabla 8. Índices de oclusión
DataSet (Fecha)
N° flores real N° de flores
ocluidas % de oclusión
1 (16-02)
191 6 3.41%
2 (23-02)
167 8 4.79%
3 (16-03)
177 6 3.39%
4 (23-03)
193 2 1.03%
5 (13-04)
208 17 8.17%
6 (18-04)
161 13 8.07%
7 (20-04)
209 20 9.57%
8 (23-04)
129 10 7.75%
Los porcentajes de oclusión no implican una pérdida
significativa de flores a estimar, sin embargo, sí influyen en la
precisión final de la estimación. La oclusión es dependiente de
factores como la perspectiva desde la que se visualiza la cama
en el punto de captura y las instancias en las que algunas rosas
crecen directamente debajo del follaje de otras. El primer factor
se soluciona, en algunos casos, con el ajuste de la estructura
68
de captura de imágenes, mientras que para el segundo se
requiere de la manipulación directa del cultivo lo cual no es
recomendado por la posibilidad de perjudicar los elementos en
el mismo.
La comparación entre el contenido de la imagen inclinando la
lente de la cámara a distintos ángulos sobre la horizontal se
puede ver en la siguiente tabla.
Tabla 9. Ángulos de captura sobre la cama piloto
Ángulo Imagen Descripción
0°
La foto al ser tomada a un ángulo de 0° en la mitad de la cama, permite visualizar claramente los botones florales de la cama de interés, no se evidencia intervención relevante de las camas vecinas.
10°
Si la foto se toma a un ángulo de 10°, la intervención de rosas de la cama vecina será baja, sin embargo, esto será información innecesaria y se corre el riesgo de perder botones en el borde inferior de la cama piloto.
20°
En 20° los botones del borde inferior se pierden y se visualizan botones de baja estatura de la cama vecina, no se recomienda utilizar este ángulo para evitar la pérdida de información de la cama piloto.
69
30°
Al utilizarse un ángulo de 30° se observa una mayor intervención de la cama vecina en comparación a la cama piloto.
45°
El ángulo de 45° muestra en su totalidad la cama vecina y otras camas lejanas, mientras que muestra poca información de la cama piloto.
Fuente: Elaboración propia.
Se compararon las imágenes observadas en la tabla 9 acorde a
los ángulos mencionados anteriormente, se observa que a
medida que los ángulos de captura se incrementan la
información de la cama piloto disminuye y por consiguiente la
intervención de la cama vecina en la imagen es mayor. Por
ende, no es aconsejable utilizar ángulos de captura mayores a
10°, para el desarrollo del proyecto se dejaron a un ángulo de
0° puesto que imágenes a dicho ángulo presentan la mayor
información sobre la cama de interés (cama piloto) generando
menores interferencias de otras camas.
Los requerimientos asociados a las variables ambientales para las imágenes. Las medidas tomadas para dar solución a las problemáticas y obstáculos respectivos se consignan en la siguiente tabla. En caso de que no haya resultado necesaria la toma de medida ante el requerimiento se tendrá la justificación de esto en ambas columnas de la fila.
Tabla 10. Requerimientos de adquisición de imagen
Requerimientos Descripción Medidas a implementar
Altura
Los tallos florales varían en altura entre
1.40 m y 2.10 m en el área del cultivo.
Se establece una altura fija para la
captura por encima de los botones
de mayor tamaño. Para evitar
70
colisiones con las estructuras de
soporte se hace que la mitad
superior de la estructura pueda
retraerse para facilitar su
movilidad.
Iluminación
La iluminación del medio es lo
suficientemente elevada como para
que no sea necesario un dispositivo con
una alta sensibilidad lumínica.
La iluminancia se tiene en
consideración al revisar el rango
de ISO de los potenciales
dispositivos de adquisición.
Temperatura El registro de temperatura descarta la implementación de imágenes
térmicas debido a que la absorbancia de las flores no se destacaría en el
medio debido a la temperatura de este.
Humedad El aire del medio no se encuentra lo suficientemente saturado de agua como
para que pueda ocurrir precipitación sobre la superficie de los lentes. Por lo
tanto no hay necesidad de precauciones adicionales.
Cercanía a camas
aledañas
La cercanía entre camas es de
aproximadamente 50 cm, se debe tener
en cuenta que la imagen adquirida solo
contenga información de la cama de
interés más no de las camas
adyacentes.
Estas dimensiones son
consideradas en el diseño de la
base de la estructura.
Ángulo de captura
Inclinar la cámara en cualquier ángulo
ocasiona que se filtren botones de
camas aledañas debido a la elevada
posición de captura que se estableció.
La captura de imágenes debe ser
realizada con el lente
perpendicular a la cama de
interés.
Resolución
La resolución incide sobre la cantidad
de pixeles que describe cada botón. Se
realizan pruebas a distintas
resoluciones para evaluar las
complicaciones que se puedan
presentar.
Esta variable también es tenida en
cuenta en la selección del
dispositivo de captura.
Oclusión La oclusión puede ser solucionada con
un cambio de perspectiva en algunas
ocasiones, pero debido a factores como
la diferencia entre la altura de los tallos
algunos botones pueden ser
completamente ocluidos por el follaje
de rosas de mayor tamaño.
No se puede dar solución a esta
problemática sin intervenir
directamente con el cultivo, por lo
tanto solo se puede plantear una
recomendación al personal
responsable de la poda del follaje
en las plantas.
Fuente: Elaboración propia.
71
9.1.2.1.3. Requerimientos del algoritmo de procesamiento
Los requerimientos asociados al algoritmo de procesamiento se consignaron en la tabla 11.
Tabla 11. Requerimientos del algoritmo
Requerimientos Descripción
Reproducibilidad La lógica de programación que sigue el algoritmo debe ser
reproducible en otros lenguajes de programación.
Robustez Frente a posibles características no deseadas que puedan haber
pasado la etapa de adquisición (Ej: Luminosidad excesiva /
deficiente)
Consistencia Los resultados que se obtengan a partir del algoritmo deben ser
consistentes en diversas iteraciones del mismo.
Económico Correlacionado con la reproducibilidad, el algoritmo debe poder ser
recreado en plataformas de software libre
Funcionalidad El algoritmo debe dar respuesta a los problemas planteados
(Detección, diferenciación, clasificación y conteo)
Fuente: Elaboración propia
9.1.2.2. Sistema desarrollado para el servicio
Se diseña un sistema mediante el cual se realice la detección, diferenciación y conteo de los diferentes estados fenológicos de manera automática. Se encuentra compuesto por un equipo para la captura de imágenes y software encargado del procesamiento de las imágenes.
9.1.2.2.1. Componentes del servicio propuesto
Dispositivo para adquisición de imágenes: dispositivo posicionado para reducir el impacto de factores elementales y con las capacidades de obtener imágenes de las que se puedan extraer las características requeridas.
● Soporte del dispositivo de captura de imágenes: Estructura física que
permite la adquisición de las imágenes.
● Software de procesamiento: Algoritmo para la detección y cuantificación de estadios.
72
Figura 29. Diagrama de bloques de la herramienta propuesta
Fuente: Elaboración propia.
9.1.2.3. Características por componente acorde a requisitos
respectivos y planteados por el cliente
9.1.2.3.1. Dispositivo de adquisición de imágenes - Imagen
RGB
Se contaba con dos cámaras fotográficas en las primeras
etapas de desarrollo del proyecto. Las respectivas referencias
de las cámaras eran las siguientes; Samsung wb250f y Canon
EOS X7. Debido a las pocas complicaciones que se
encontraron en el procesamiento de las imágenes fotografiadas
con estas cámaras, se indagan y comparan las características
de estas para complementar los requisitos del dispositivo de
captura que va a adquirir.
Se identifican ventajas y desventajas que resulten útiles para el
reemplazo con algún dispositivo semejante.
73
Tabla 12. Características de las cámaras disponibles
Cámara Descripción Ventajas Desventajas
Samsung
wb250f
Dimensiones: 106.0 x 61.6 x 32.6 mm Masa: 184 g Estabilizador de imagen: SI Alimentación: Cargador Memoria: 32GB Resolución: 14.2 MP Autoenfoque: SI Lentes: NO Rango ISO: 100-3200 Distancia focal: 35 mm - 75 mm
Dimensiones Peso Alimentación Memoria Autoenfoque Estabilizador de imagen
Resolución Pixeles Memoria Lentes
Canon EOS X7
Dimensiones: 116.8 x 90.7 x 69.4 mm Masa: 405 g Estabilizador de imagen: SI Alimentación: Pilas Memoria: 64 GB Resolución: 12.5 MP Autoenfoque: SI Lentes: SI Rango ISO: 100-25600 Distancia focal: 55mm - 250mm
Estabilizador de imagen Memoria Pixeles Resolución Autoenfoque Lentes
Dimensiones Peso Alimentación
Fuente: Elaboración propia.
Las características y requisitos de selección determinadas para
un dispositivo de captura ideal se establecen a partir las
condiciones ambientales y de las características de las cámaras
disponibles.
Tabla 13. Descripción característica de interés en las cámaras
Característica Descripción
Resolución Se realizaron cambios en la resolución de imágenes tomadas con las cámaras. Para observar el grado en el que se pierde información a menor resolución. Existe una pérdida proporcional de información conforme se reduce la resolución. Sin embargo, se encuentra que para resoluciones cercanas a los 10 MP la pérdida no es tan grave. Se establece el valor de 10 MP como resolución mínima para la cámara.
Distancia focal Se requiere del menor límite inferior disponible para abarcar una mayor área de visión. En las cámaras disponibles se tenía un valor mínimo de distancia focal de 35mm, este aún no es suficiente pues con una mayor cobertura visual se espera reducir el coste computacional, pues se requeriría de menos imágenes para hacer el registro de la cámara.
Rango ISO No se tiene un requerimiento específico para el rango ISO
74
debido a la elevada luminosidad del ambiente. El límite inferior de las cámaras disponibles sería aceptable para este caso: 100.
Masa Se busca evitar que se desplace el centro de masa de la estructura por acción del peso de las cámaras. Teniendo en cuenta que por ser dos cámaras se deberá lidiar con el doble de la masa registrada, se debe buscar una cámara ligera. Para la Canon EOS de 400 gr se empezaron a presentar complicaciones porque cuando la superficie del suelo se encontraba desnivelada la estructura se desestabiliza fácilmente. Se establece una masa doble no superior a los 300 gr.
Dimensiones No se tiene una limitante de tamaño específica pero resulta benéfico la uniformidad en la superficie de la cámara. Por ejemplo que esta sea similar a un cubo rectangular sin protuberancias que dificulten su acople a la estructura.
Control remoto Debido a que las cámaras se encuentran acopladas a la estructura, es indispensable que se cuenta con alguna medida para realizar la toma de fotografías
Costo Para la adquisición de dispositivos de captura se tiene destinado un presupuesto de $2’000.000
Fuente: Elaboración propia.
Se buscaron cámaras que cumplieran con los requisitos y
características anteriores. Se encontraron dos modelos viables
que cumplían en medida aceptable con los requerimientos de
masa, distancia focal y resolución.
Tabla 14. Descripción, ventajas y desventajas en las cámaras disponibles
Cámara Descripción Ventajas Desventajas
Canon powershot Elph 190
Dimensiones: 95 x 57 x 24mm Masa: 111g Estabilizador de imagen: SI Alimentación: Pila recargable Memoria: 64 GB Resolución: 20MP Autoenfoque: SI Lentes: SI Rango ISO: 100-1600 Distancia focal: 24 mm - 240 mm
Dimensiones Estabilizador de imagen Memoria Pixeles Resolución Autoenfoque Lentes
Alimentación
Nikon Coolpix A300
Dimensiones: 96 x 58 x 20mm Masa: 119g Estabilizador de imagen: SI Alimentación: Pila recargable Memoria: 64 GB Resolución: 20,1 MP Autoenfoque: SI
Dimensiones Estabilizador de imagen Memoria Pixeles Resolución Autoenfoque
Alimentación
75
Lentes: SI Rango ISO: 80-1600 Distancia focal: 25 mm - 250 mm
Lentes
Fuente: Elaboración propia.
Para comparar las características de mayor relevancia entre las
cámaras se diseña la siguiente tabla
Tabla 15. Ponderación de cámaras
Cámara Resolución (MP)
Masa/ Tamaño
(gr)
Distancia focal (mm)
Costo aproximado
(COP)
Control remoto
Decisión
Samsung wb250f
14.2 184 35-75 1’800.000 NO El control remoto es indispensable.
Canon EOS X7
12.5 405 55-250 2’000.000 NO Distancia focal muy alta. El control remoto es indispensable.
Canon powershot Elph 190
20 111 24-240 600.000 SI Mejores resultados para cada ítem.
Nikon Coolpix A300
20.1 119 25-250 700.000 SI La similitud de sus cualidades con la otra cámara seleccionada hace
que se descarte debido a su precio superior.
Fuente: Elaboración propia.
Se decidió trabajar con la referencia Canon powershot Elph 190,
puesto que satisface los requerimientos de imagen necesarios
para la adquisición de imágenes. Se adquieren dos unidades
del modelo para implementar la visión estereoscópica.
Debido a que el ambiente en el que se realizó la captura de
imágenes no requiere de ajustes particulares ante
circunstancias como poca iluminancia o ruido por movimiento.
Se realiza la captura de las imágenes con los parámetros por
defecto de la cámara; resolución nativa de ~20 MP, rango ISO
en magnitud de 100 y distancia focal en 24 mm (no se emplea
zoom óptico).
Se tomaron medidas de la longitud del campo de visión para
distintas alturas a una distancia focal de 24 mm. Debido a que
lateralmente la cámara proyecta un triángulo que describe el
campo de visión de ésta se estableció un desplazamiento de
140 cm con respecto al punto medio de la estructura para evitar,
en la medida de lo posible, la pérdida de botones que se
encuentren por encima del plano de 210 cm por sobre el cual se
empezarían a perder botones en el desplazamiento.
Considerando que el promedio de altura de botones es de 198
76
cm, se asume que la pérdida de botones debido a alturas
superiores al valor del plano no resultaría frecuente.
Figura 30. Ángulo de visión proyectado desde los puntos de captura en el
modelo preliminar en FUSION 360.
Fuente: Elaboración propia
9.1.3. Soporte para el dispositivo de adquisición de imágenes
En lo que respecta al posicionamiento para la captura de imagen, se conoce que la estimación se realiza a partir de la evaluación de una cama de cultivo, las dimensiones de esta son de 30 m de largo por 50 cm de ancho con una altura aproximada de 2,5 metros (determinada por la altura que alcanzan los tallos). La imagen debe tomar la cara superior de la cama para disminuir la incidencia de superposiciones de las plantas, evento que presentaría un mayor obstáculo si se realiza la captura lateralmente. Para dar solución a esto, se plantea la inclusión de un estabilizador para la cámara que permita elevar el dispositivo de captura lo suficiente como para capturar la faceta superior de la cama (Valcárcel, 2017).
9.1.3.1. Diseñar la estructura de soporte para la toma de imágenes
Se establece el diseño de la estructura a partir de las consideraciones
realizadas para favorecer la captura de imágenes viables para el
procesamiento:
77
Figura 31 y 32. Diagrama de las estructura de soporte diseñada realizado en Fusion
360 (izquierda) y la estructura para el acople de las cámaras (derecha).
Fuente: Elaboración propia
Con base a las mediciones realizadas a las flores de la cama piloto
asignada y teniendo en cuenta la distancia en altura de factores
estructurales externos de sostén como cuerdas, columnas de madera
y varillas, se procedió a diseñar la estructura de soporte para la
adquisición de imágenes. Dicha estructura cuenta 5 piezas claves tales
como: base, soporte, elevador, soporte de cámaras y acople; esto con
la finalidad de obtener la toma de imágenes a 2.85 metros con respecto
al suelo sin generar obstrucción de la estructura con los elementos
externos mencionados.
Una vez diseñada la estructura en FUSION 360 esta fue cortada a láser
y ensamblada con adherente especial para madera, posteriormente se
probó el desplazamiento de la estructura en el cultivo donde se
evidencio que la base lisa generaba alta fricción con el suelo lo cual
imposibilitaba el fácil desplazamiento, por lo tanto, se decidió cambiar
dicha base por ruedas de caucho para generar mejor tracción y
estabilidad con respecto a la tierra del suelo al momento de moverse a
través de la camas para realizar la adquisición de imágenes.
78
Figura 33. Ruedas que se implementaron como modificación final de la estructura.
Fuente: Elaboración propia
Figura 34. Fotografía de la estructura ensamblada previa a la implementación de
ruedas.
Fuente: Elaboración propia
79
9.1.4. Establecer el protocolo para la adquisición de imágenes del
cultivo de rosas de la variedad Freedom a partir de las
características requeridas para la realizar la estimación
1. Seleccionar la cama piloto sobre la que se realizarán las capturas
La cama piloto se selecciona a partir de un criterio subjetivo fundamentado en la cantidad de botones encontrados en la cama con respecto a la proporción de botones que se percibe para las demás camas en el invernadero. Para el desarrollo del proyecto se asignó una cama específica (cama 23 del sector 6A) sobre la que se llevó a cabo la captura de imágenes para el proyecto.
2. Realizar la conexión inalámbrica entre las cámaras y otros dispositivos
como celulares o tablets para tener control del disparo remoto.
3. Ensamblar la estructura para la toma de imágenes La estructura cuenta con cuatro partes principales de ensamble, en primer lugar se deben acomodar las llantas en el primer soporte, seguido a esto la segunda estructura denominada elevador se ensambla con la paleta donde previamente se ha realizado la postura de las cámaras en el acople de madera sostenidas por medio de los seguros. Por último, el elevador es ensamblado con el primer soporte por intermedio de una pieza para freno.
4. Ubicar el soporte al inicio de cualquiera de los extremos de la cama.
Para evitar la pérdida de botones por el ángulo de visión de la cámara, se mide la longitud del segmento visible desde la cámara. Se establece una longitud de 1,4 metros del sector de la cama a fotografiar. Para iniciar la toma de fotografías se ubica la estructura a 70 cm de cualquiera de los extremos procurando realizar la medida con respecto al eje central de la estructura.
5. Realizar la captura del par estereoscópico mediante la toma simultánea
de fotografías tras realizar la sincronización de las cámaras con
celulares.
El propósito de esto es obtener información correspondiente a la
profundidad de los botones para calcular el diámetro de estos con
mayor precisión.
6. Desplazar el soporte 140 cm en el camino del cultivo, tomando como
punto cero el canal de desplazamiento del acople de la cámara.
Las imágenes capturadas posteriores al desplazamiento deberán
presentar el sector de la cama inmediatamente anterior al que acaba
de ser fotografiado, esto con el fin de no perder o repetir botones
florales.
80
7. A partir de este punto se repiten las indicaciones desde el numeral 5.
8. Desplazar el soporte a través del camino con desplazamientos
continuos de 140 cm y proseguir con la toma de imágenes, este
proceso se repite hasta cubrir la totalidad de la cama.
Figura 35. Protocolo de adquisición de imágenes.
Fuente: Elaboración propia
9.1.4.1. Consideraciones adicionales en la implementación del
protocolo de adquisición
- El proceso de fotografiar toda la cama siguiendo el protocolo y los
desplazamientos establecidos abarca una duración aproximada entre
40 minutos y una hora.
- Realizar la captura de imágenes antes de que se realicen tareas de
riego en las camas, con el fin de evitar el desplazamiento forzoso de la
estructura sobre el terreno intermedio entre camas.
- Antes de realizar las capturas se debe revisar que elementos como
envolturas de naftaleno y enmallado residuales no se encuentren en las
zonas aledañas a la cama. Estos objetos son fuente de ruido en el
procesamiento de las imágenes debido a la similitud de color que el
algoritmo reconocerá como botón, generando datos de falsos positivos.
- A través de la conexión inalámbrica con las cámaras se tiene acceso a
la característica de visión remota, esta puede implementarse para
asegurar que antes de tomar el par estereoscópico solo se visualicen
botones que están presentes en ambas imágenes. Esto tiene la
finalidad de evitar que se tengan botones sin información de diámetro
debido a que carecían de una reproyección en el par respectivo.
9.1.5. Análisis y discusión de resultados de fase
En la caracterización del medio se emplearon sensores de humedad,
temperatura e incidencia luminosa. A partir de los datos obtenidos graficando
los registros durante las horas laborales se encuentra una correlación inversa
entre la humedad y temperatura; esta información corrobora las decisiones
realizadas con respecto al tipo de imagen a emplear y los requisitos
81
correspondientes. La temperatura promedio durante este período hubiera
obstaculizado la implementación de imágenes térmicas, como consecuencia
de que la absorción de energía térmica que se da en los botones requiere de
un medio con baja temperatura para poder ser identificada, caso que no se
presentaría en el cultivo durante el horario activo de este.
Paralelamente la humedad es demasiado baja como para que el vapor de agua
opaque las imágenes que se capturen (para este evento se requerirían valores
cercanos al 100% y estos solo se presentan en las horas de cierre) por ende
no se considera necesaria la implementación de medidas especiales para
solucionar la humedad encontrada en el medio. La iluminancia está por debajo
del valor característico de un día soleado (>10000 lux), por ende a menos que
el lente de la cámara se encuentra directamente frente a la superficie reflejante
que recubre el invernadero, no se deberían encontrar complicaciones
adicionales como producto de la luz incidente en el medio.
La selección del dispositivo de captura se lleva a cabo teniendo en cuenta no
solo los factores ambientales anteriores, también se toma en consideración el
desempeño que se tiene con las cámaras disponibles. Se establecen unos
umbrales de selección a partir de los cuales se llega al dispositivo adquirido
finalmente.
El protocolo de captura se desarrolla a partir de las consideraciones
dimensionales planteadas después de tomar las respectivas medidas de la
cama y los elementos en ella, como también con base a la información
recolectada en las entrevistas. Al haber determinado que mediante la captura
de imágenes estereoscópicas en RGB se podría llevar a cabo la segmentación
de los botones y la extracción de características como diámetro y proporción
de color, se procede con el planteamiento de la metodología de captura
tomando como punto de partida las observaciones y anotaciones que se han
realizado a lo largo de las visitas previas al cultivo, donde se establecen las
características relevantes mencionadas anteriormente para el desarrollo del
proyecto.
En cuanto a la adquisición de las imágenes se requiere de una elevación de
captura constante, una base con diseño movible que permita el
desplazamiento de la cámara para la obtención del par estereoscópico y
cámaras que tengan la capacidad de ejecutarse por medio de disparo remoto.
Por lo anterior se diseña una estructura de soporte para la cámara que permita
el cumplimiento de estos requisitos espaciales. El protocolo de adquisición se
modela en torno a la implementación de esta estructura para la captura de las
imágenes.
Entre los aspectos a destacar en el desarrollo del protocolo y diseño de la
estructura se tiene el establecimiento de una elevación de captura 2.85 metros
sobre el nivel del suelo y un desplazamiento de la estructura hacia la siguiente
zona de captura de 1.40 metros con respecto al eje vertical central. El
movimiento de la estructura se realiza bajo la finalidad de fotografiar los
82
elementos de la cama evitando que el ángulo de visión (84* para la distancia
focal respectiva de 24 mm) filtre aquellos botones de mayor altura que se
encuentren en la sección intermedia de los segmentos a fotografiar.
Para la generación del protocolo de adquisición de imágenes se tuvieron en
cuenta algunas características físicas de las rosas tales como enmallado,
dominancia de pétalos y altura a la que se encontraban los botones florales, a
partir de dichas características se toman decisiones metodológicas para lograr
obtener la información necesaria de cada uno de los estados fenológicos.
A partir de la evaluación de los resultados obtenidos mediante la
implementación del protocolo, se observa que la exactitud de las estimaciones
obtenidas es superior. Lo anterior, favorece la implementación del protocolo
sobre el método tradicional de conteo, el cual es dependiente de la
interpretación subjetiva de quien lo realice.
Siguiendo el protocolo en lugar del método tradicional se prevendría el
cansancio visual y la carga laboriosa e intensiva sobre el personal que realiza
el conteo.
9.2. Fase II
Los resultados de la fase II conllevan al desarrollo del segundo objetivo el cual es el establecimiento del algoritmo que detecta, diferencia, clasifica y cuenta los botones florales presentes en las imágenes adquiridas.
9.2.1. Mapas de ubicación de flores
Con la finalidad de monitorear el cultivo se tomaron mapas manualmente
respecto a la ubicación y tamaño (altura y diámetro) de los botones florales en
las camas asignadas haciendo uso del formato de mapeo (Anexo A). La toma
de los mapas se realizaba por medio de un calibrador digital para conocer el
diámetro que posee cada botón en su respectivo estado, paralelamente se
obtenía su rango de altura.
Con los datos tomados se procede a generar registros de monitoreo y control
basados en el número de botones, estado, diámetro y rango de altura, los
cuales posteriormente fueron utilizados como datos de comparación con
respecto a los botones obtenidos a través de la captura de imágenes.
9.2.2. Distribución estadística de los diámetros en los diferentes
estados fenológicos
Basados en las muestras de 50 botones florales tomadas de cada uno de los estados de interés se obtuvieron medidas estadísticas, se observó la distribución estadística de los mismos mediante un histograma y se usó un test
83
de normalidad para verificar la normalidad de los datos. Los resultados de los diámetros obtenidos se encuentran en el Anexo C.
Tabla 17. Medidas estadísticas del diámetro del botón para cada estado fenológico
Garbanzo Rayacolor Punto de corte
Tamaño mínimo 16.12 mm 19.20 mm 28.63 mm
Tamaño máximo 23.65 mm 36.61 mm 40.66 mm
Promedio 19.19 mm 27.35 mm 35.15 mm
Desviación estándar ± 1.42 mm ± 2.72 mm ± 2.40 mm
AD Test (Normalidad) 0 0 0
Fuente: Elaboración propia
Figura 36. Histograma de los diámetros del botón floral en estado garbanzo
Fuente: Elaboración propia.
Figura 37. Histograma de los diámetros del botón floral en estado Rayacolor
Fuente: Elaboración propia.
84
Figura 38. Histograma de los diámetros del botón floral en estado punto de corte
Fuente: Elaboración propia.
Para cada estado fenológico se realizó un muestreo manual de 50 botones florales, seguido a esto se realizaron histogramas basados en el diámetro en milímetros y la frecuencia de ocurrencia de los diámetros para cada estado, teniendo como valor promedio para garbanzo un valor de 19.19mm, para raya color de 27.35mm y para punto de corte de 35.15mm.
Acorde a la información establecida en los histogramas se procedió a realizar la prueba de Anderson-Darling, corroborando de esta manera la distribución normal en la que se encuentran los datos muestreados por estado. Se empiezan a observar problemas con la implementación de los diámetros como variable de clasificación debido a la superposición que se tiene entre límites superiores e inferiores de los estados con el estado de rayacolor. Sin embargo, esta información también es útil para establecer rangos condicionales de clasificación a partir de las medidas que se encuentren por fuera de los valores máximos y mínimos registrados para los estados extremos; garbanzo y rayacolor.
9.2.3. Segmentación manual
20 imágenes del total de las adquiridas mediante el protocolo durante las primeras visitas a la finca fueron sometidas a segmentación manual mediante el software Photoshop CS6. El trabajo de segmentación puede ser observado en las figuras 39, 40 y 41.
Figuras 39, 40 y 41. Imagen original (izq), imagen segmentada general (der) y botones
segmentados (inf).
85
Fuente: Elaboración propia.
La segmentación manual por medio de un programa de diseño como photoshop permite extraer el objeto de interés, brindando una idea del resultado que se tendrá en la segmentación, de igual manera permite detallar claramente el botón floral dando un acercamiento visual a los posibles rasgos que se pueden obtener del objeto identificado para la posterior extracción de características.
9.2.4. Preprocesado
En la etapa de procesamiento se busca eliminar las distorsiones en la imagen
ocasionadas por factores ambientales. La corta distancia entre la cámara y los
botones florales ocasiona que los requerimientos de resolución no sean muy
demandantes, sin embargo, mayores valores para la resolución permitirán
contemplar más detalles en la imagen. No se cuenta con un valor de umbral
dado que se debería analizar las imágenes obtenidas a una resolución para
juzgar la pérdida de información ocasionada por la cámara. Se evalúan
diversas alternativas para cada una de las etapas correspondientes al
procesamiento, de modo tal que se puedan evaluar ventajas y desventajas de
los diferentes métodos para seleccionar el que mejor se acomode a la
necesidad y satisfaga los requerimientos.
9.2.4.1. Cambio en la resolución de imágenes
La resolución de las imágenes adquiridas está relacionada con los
requerimientos establecidos para poder obtener información de las
mismas, sin embargo, no todas las tareas del algoritmo requieren el uso
de la resolución de captura.
86
Pseudocódigo
1- Inicio
2- Leer el archivo que contiene la imagen y asignarlo a una variable
3- Reducir la resolución de la imagen mediante un submuestreo de la
imagen original
4 -Obtención de la imagen con menor resolución
5- Fin
Tabla 18. Cambio en la resolución de la imagen
Resolución disminuida Resolución de captura
Figura 42. Imagen con resolución reducida al 50%
Ventajas
Disminuye el tiempo de procesamiento. Puede llegar a disminuir ruido presente en la imagen.
Desventajas Disminuye el contenido de información en la imagen. Requiere tiempo de procesado para cambiar la resolución.
Figura 43. Imagen con resolución original de captura
Ventajas
No requiere de transformación o procesado previo. Posee la información completa de la imagen.
Desventajas Tiempo de procesamiento es mayor. Puede poseer ruido derivado de la captura de la imagen.
Fuente: (Russ, 2008)
En nuestro caso las tareas asociadas a visión estereoscópica fueron
ejecutadas usando la mitad de la resolución debido a que el proceso de
rectificación y generación de parámetros de las cámaras es más
sencillo y posee un menor costo computacional cuanto menor sea la
resolución, adicionalmente una resolución muy alta puede no ser útil al
momento de generar correspondencias entre imágenes dado el exceso
de datos presentes; en donde la resolución de captura alta si es útil es
al momento de realizar las tareas asociadas con extracción de
características muy específicas como el color ya que la mayor
87
disponibilidad de información en la imagen permite tener una
representación más fidedigna de la realidad capturada, por lo menos
en lo que a crominancia respecta.
9.2.4.2. Transformación de espacios
Otra labor importante en el preprocesado es el cambio de espacio de
color a partir del espacio original de captura (RGB), esto en búsqueda
de facilitar las tareas de procesamiento.
Pseudocódigo
1- Inicio
2- Lectura del archivo de imagen
3- Conversión de entero de 8 bits a variable de doble precisión
4- Operación de transformación matemática para cada obtener el
espacio de color deseado
5- Imagen en nuevo espacio de color
6- Fin
Tabla 19. Alternativas de espacios de color
Espacio RGB Espacio CMYK
Figura 44. Imagen en espacio RGB
Ventajas
No requiere de transformaciones debido a que es el formato base.
Desventajas Alta correlación entre sus componentes. Dificultad para determinar colores específicos.
Figura 45. Imagen en espacio CMYK
Ventajas
Transformación sencilla desde formato base.
Desventajas Requiere de transformaciones debido a que no es el formato base. Al ser un modelo complementario representa tintas o pigmentos más no colores. Alta correlación entre sus componentes.
Espacio HSV Espacio CieLAB
Figura 46. Imagen en espacio HSV Figura 47. Imagen en espacio CieLAB
88
Ventajas
Fácil extracción de colores, debido a su asociación a la percepción humana. Los componentes de tono y saturación se encuentran relacionados con los componentes de crominancia. Aplicaciones relacionadas con color pueden ser basadas en el componente de tono exclusivamente.
Desventajas Requiere de transformaciones debido a que no es el formato base.
Ventajas
Percepción uniforme de colores.
Desventajas Requiere de transformaciones debido a que no es el formato base.
Fuente: (Ibraheem, Hasan, Khan & Mishra, 2012)
El conocimiento de las ventajas y desventajas que presenta cada
espacio de color brinda las bases para su uso posterior en las diversas
tareas, en tanto un espacio de color puede ser útil para una tarea, su
desempeño puede empeorar con otra; sin embargo basado en las
características y dada la adquisición de imágenes bajo un ambiente no
controlado, será decisivo tener baja sensibilidad respecto a la
luminosidad, esto perfila al espacio HSV como aquel de mayor utilidad
para el desarrollo del proyecto.
9.2.5. Segmentación
Para el algoritmo de segmentación se evaluaron diferentes alternativas para
lograr extraer los botones florales de la imagen. Las alternativas exploradas se
presentan a continuación:
9.2.5.1. Segmentación en el espacio RGB - CMYK
La primera alternativa de segmentación explorada fue la segmentación
directa en el espacio RGB para la cual se utilizó una estrategia de
segmentación multibanda, es decir se realizan umbralizaciones en
cada uno de los canales en búsqueda de obtener los objetos de interés
(Cheng, Jiang, Sun & Wang, 2001).
89
Pseudocódigo
1- Inicio
2- Para cada componente del espacio RGB (Red-Green-Blue)
2.1- Extraer el componente correspondiente del espacio RGB
2.2- Obtener el valor de umbralización para el componente por
método de Otsu
2.3- Aplicar la umbralización al componente para obtener la
máscara binaria
2.4- Aplicar la máscara del componente sobre la imágen en el
espacio RGB
3- Concatenar las máscaras de los tres componentes en una única
máscara
4- Fin
Tabla 18. Segmentación en el espacio RGB
Figura 48. 1. Imagen en espacio RGB
Figura 49. 2. Canal R
Figura 50. 3. Canal G
Figura 51. 4. Canal B
Figura 52. 5. Segmentación por
método de Otsu en canal R Figura 53. 6. Segmentación por
método de Otsu en canal G
Figura 54. 7. Segmentación por
método de Otsu en canal B
90
Figura 55. 8. Máscara binaria del
canal R sobre imagen original
Figura 56. 9. Máscara binaria del
canal G sobre imagen original
Figura 57. 10. Máscara binaria del
canal B sobre imagen original
Figura 58. 11. Máscaras concatenadas
Fuente: Elaboración propia
El método de segmentación usado en RGB se basó en una
umbralización de los 3 diferentes canales (R,G,B) presentes en el
espacio de color, aplicando método de Otsu en cada uno de ellos con
la finalidad de separar las flores (objeto de interés) del fondo, la
segmentación aplicada logra separar las flores en conjunto con otros
objetos que no son eliminados, sin embargo dada la concepción
matemática del espacio RGB en donde sus componentes se
encuentran correlacionados por la luminosidad, los diferentes métodos
de umbralización que se puedan aplicar sobre sus componentes van a
estar condicionados por las condiciones ambientales al momento de
obtener la imagen, por lo cual este espacio carece de la robustez
necesaria para permitir la segmentación de las imágenes las cuales son
obtenidas bajo un ambiente no controlado y por lo cual a lo largo de la
91
adquisición de las mismas se pueden dar fluctuaciones en la
iluminancia (figura 59) conllevando a una segmentación fallida o
incompleta (figura 60); adicionalmente la inclusión involuntaria de
objetos como la estructura de captura de imágenes o elementos del
invernadero (figura 61) van a afectar el resultado final de la
segmentación (figura 62).
Figura 59. Imagen con mayor iluminación
Figura 60. Segmentación fallida por iluminación
Figura 61. Imagen con alta presencia de elementos
estructurales del invernadero
Figura 62. Segmentación incompleta debido a
inclusión de elementos extra en la imagen
De manera similar ocurre en el espacio CMYK al ser el espacio
complementario del RGB posee las mismas limitantes que el último
imposibilitando la segmentación efectiva de los botones florales.
9.2.5.2. Segmentación basada en entropía
Se buscó una alternativa basada en la entropía de la imagen de modo
tal que los botones (elementos sobresalientes) pudieran ser
segmentados del medio.
Pseudocódigo
1- Inicio
2- Obtener el tamaño de la imagen (Alto - Ancho)
92
3- Dividir la imagen en ventanas
4- Establecer un umbral de entropía
5- Para cada ventana
5.1- Obtener entropía de la ventana
5.2- Comparar el valor de entropía respecto al valor de umbral
5.3- Si es mayor mantener el contenido de la ventana
5.4- Si es menor reemplazar el contenido de la ventana por color
negro
6- Obtención imagen segmentada
7- Fin
Tabla 19. Segmentación por filtro de entropía
Figura 63. 1. Imagen original
Figura 64. 2. Umbralización
(Entropía<7) (Ventana 12%)
Figura 65. 2. Umbralización
(Entropía<7.1) (Ventana 12%)
Figura 66. 2. Umbralización
(Entropía<7.2) (Ventana 12%)
Figura 67. 2. Umbralización
(Entropía<7.3) (Ventana 12%)
Figura 68. 2. Umbralización
(Entropía<7.4) (Ventana 12%)
Figura 69. 2. Umbralización
(Entropía<7.5) (Ventana 12%)
Figura 70. 2. Umbralización
(Entropía<7.6) (Ventana 12%)
Figura 71. 2. Umbralización
(Entropía<6) (Ventana 5%)
Figura 72. 2. Umbralización
(Entropía<6) (Ventana 3%)
93
Figura 73. 2. Umbralización (Entropía<6) (Operación píxel a píxel 1%)
Debido a que el fondo de las imágenes de rosas son bastante
homogéneos respecto a su composición presentando como elementos
principales los tallos y las hojas por lo cual una estrategia de
umbralización basada en la entropía debería permitir diferenciar los
elementos de alta entropía (Botones) y de baja entropía (Fondo), sin
embargo la implementación del mismo conlleva ciertas desventajas, la
primera es que la operación de umbralización debe ser realizada por
ventaneo en la imagen o en su defecto pixel a pixel lo cual implica un
tiempo elevado de procesamiento, en segundo lugar se encuentra que
la selección del valor de entropía para umbralizar la imagen no es trivial
dada su dependencia del tamaño de la ventana como se observa en
las figuras 71.2 y 72.2, por último la entropía de la imagen se ve
afectada por la percepción de profundidad en los objetos que se
encuentran en la misma, es decir la mayor cantidad de información
(píxeles) que posee un objeto más cercano a la cámara puede afectar
la entropía del mismo, la cual disminuye a medida que el objeto se
encuentra más lejano, esto se evidencia en las imágenes cuya ventana
de umbralización se va disminuyendo (Figuras 71, 72, 73) en donde al
modificar el umbral los botones presentes en el fondo empiezan a
desaparecer.
94
9.2.5.3. Segmentación en el espacio HSV (Alternativa escogida)
La última alternativa evaluada fue la segmentación en el espacio HSV
considerando sus propiedades es un candidato ideal para realizar
umbralización multiespectral y es ampliamente usado en aplicaciones
de visión artificial (Sural, Qian & Pramanik, 2002)
Pseudocódigo
1- Inicio
2- Separar cada componente del espacio HSV (Tono-Saturación-Valor)
2.1- Para el componente de tono (H)
2.2- Aplicar umbralización utilizando un valor de 0.5
2.3- Para el componente de saturación (S) y valor (V) aplicar
umbralización por método de Otsu
2.4- Obtener las máscaras binarias de cada espacio
3- Concatenar las máscaras obtenidas en cada espacio en una única
máscara
4- Aplicar la máscara sobre la imágen en el espacio HSV
5- Obtención imagen segmentada
6- Fin
Tabla 20. Segmentación en el espacio HSV
Figura 74. 1. Imagen en espacio HSV
Figura 75. 2. Canal H
Figura 76. 3. Canal S
Figura 77. 4. Canal V
Figura 78. 5. Segmentación por
umbral fijo de 0.5 en canal H Figura 79. 6. Segmentación por
método de Otsu en canal S
Figura 80. 7. Segmentación por
método de Otsu en canal V
95
Figura 81. 8. Máscara binaria del
canal R sobre imagen original
Figura 82. 8. Máscara binaria del
canal G sobre imagen original
Figura 83. 9. Máscara binaria del
canal B sobre imagen original
Figura 84. 10. Máscaras concatenadas
Fuente: Elaboración propia
El espacio HSV posee la ventaja de ser un espacio que se ajusta a la
crominancia (percepción de color) del ser humano, el componente H
permite obtener los diferentes tonos presentes en la imagen y en
conjunto el espacio S permite definir la saturación presente es decir la
percepción de qué tan claro u oscuro es un color, por último, la principal
característica es que el canal de valor posee la información de la
iluminación presente en la imagen (percepción de luz-oscuridad); como
se había observado previamente esto lo convierte en un espacio ideal
para ejecutar la segmentación dada la adquisición de las imágenes bajo
ambientes no controlados, a pesar de esto el espacio no es
completamente insensible a la presencia de elementos adicionales en
la imagen, tal es el caso del espacio H en dónde la inclusión de la
estructura de toma de imágenes o de algún elemento estructural del
invernadero provoca un cambio debido a que es un tono adicional que
96
se añade, modificando el histograma, esto puede ser observado en las
figuras 85, en la figura 85 der. se observa un histograma de tono de
una imagen con la estructura de toma de imágenes en tanto la figura
85 izq muestra un histograma de tono de una imagen solo compuesta
por la cama de rosas, esto suscitó la necesidad de poseer un umbral
fijo al momento de trabajar con el espacio de tono ya que un método
como el Otsu que se basa en la distribución estadística de los píxeles
es absolutamente sensible a las variaciones mencionadas.
Figura 85. (Izq) Histograma de canal H con tonos exclusivos de flores
(Der) Histograma de canal H con componentes de tono adicional
Fuente: Elaboración propia
9.2.5.4. Complemento de segmentación en el espacio HSV
Debido a que en el resultado de la segmentación en el espacio HSV no
es completa, se procede a complementar dicha segmentación haciendo
uso del espacio H*S (Sural, Qian & Pramanik, 2002) y se procede a
eliminar el ruido restante mediante la aplicación de operaciones
morfológicas y filtrados de área.
Pseudocódigo
1- Inicio
2- Obtener los componentes de tono y saturación de la máscara
concatenada (H-S)
3- Realizar el producto punto entre los componentes de tono y
saturación para obtener una imagen en el espacio bidimensional HS
4- Obtener la máscara binaria aplicando umbralización usando el valor
resultante del enmallado en el espacio HS (0.24)
5- Crear un elemento estructurante tipo disco de un tamaño de 35
píxeles
6- Aplicar la operación morfológica de dilatación a la máscara binaria
con el elemento estructurante
7- Realizar relleno de huecos en la máscara dilatada
97
8- Aplicar la operación morfológica de erosión a la máscara binaria con
el elemento estructurante
9- Realizar un filtrado de área eliminando los elementos presentes en
la imagen cuya área sea menor a 1500 píxeles
10- Aplicar la máscara binaria a la imagen original y verificar resultados
Tabla 23. Complemento de segmentación
Figura 86. 1. Imagen en espacio HSV
Figura 87. 2. Canal H
Figura 88. 4. Canal S
Figura 89. 5. Producto canal H*S
Figura 90. 7. Segmentación por umbral (0.24) en
canal HS
Figura 91. 8. Máscara binaria tras la operación
morfológica de dilatación
Figura 92. 9. Máscara binaria tras la operación
morfológica de erosión
98
Figura 93. 10. Filtrado de área
Figura 94. 10. Máscaras binaria sobre imagen HSV
Figura 95. 10. Máscaras binaria sobre la imagen original (RGB)
Fuente: Elaboración propia
El filtro a través del espacio H*S permite aislar por completo a los
elementos que presenten enmallado (o valores muy semejantes a este)
del ruido residual del espacio HSV. Para eliminar los componentes
residuales que sean lo suficiente semejantes al enmallado como para
que sigan siendo detectados después del filtro, se llevan a cabo
operaciones morfológicas. A través de filtros de área se eliminan los
componentes de menor tamaño, mientras que operaciones como
99
dilatación y erosión son empleadas para perfeccionar la silueta binaria
de los botones seleccionados. La dilatación rellena los espacios que se
presenten en el interior de la silueta segmentada mientras que la
erosión redefine nuevamente la forma del botón.
9.2.5.5. Extracción de características de la imagen binaria
De la imagen binaria también conocida como máscara se pueden extrapolar un grupo de descriptores y características independientes del contenido de la imagen (color) que pueden ser usadas como base para ejecución de tareas más complejas, por ejemplo la extracción de medidas de diámetros en píxeles que son características derivadas de la imagen binaria puede ser un insumo para determinar diámetros verdaderos mediante el uso de visión estereoscópica.
9.2.5.6. Número de objetos presentes en la imagen
El conteo de objetos en las imágenes binarias es un proceso sencillo dada la ausencia de información adicional que pueda afectar los vecindarios o límites de los objetos segmentados. Pseudocódigo 1- Inicio 2- Identificar los píxeles correspondientes a los objetos segmentados (píxeles blancos) 3- Asignar una marca a un píxel componente de un elemento 4- Asignar la misma marca a todos los píxeles que se encuentran conectados al primer píxel identificado (Algoritmo Flood - Fill) 5- Buscar un nuevo píxel que no se encuentre marcado 6- Repetir los pasos 3 y 4 hasta que todos los píxeles de objetos en la imagen posean una marca 7- A cada elemento marcado se le asigna un color en el espacio RGB para ser visualizado 8- Contar el total de marcas asignadas 9- Fin
Figura 96. Máscara binaria con marcas de color
asignadas a cada uno de los objetos presentes
Figura 97. Máscara binaria con el conteo de los
objetos presentes
100
La imagen segmentada posee diferentes elementos que son fácilmente
identificables por el algoritmo ya que todos los píxeles blancos en un
elemento van a compartir vecindario, de modo pues que el conteo de
botones en una imagen segmentada es un proceso de costo
computacional bajo, siendo así una primera ventaja respecto al método
tradicional en el cual el conteo es realizado de manera intensiva en el
sitio y puede tener asociados errores de percepción debido al
cansancio.
9.2.5.7. Bordes de los elementos
Los límites del elemento en una imagen binaria son fácilmente establecidos debido al cambio brusco en el vecindario de un píxel que pertenece al borde del elemento donde el medio es completamente opuesto al objeto de interés. Pseudocódigo 1- Inicio 2- Identificar los píxeles correspondientes a un objeto segmentado (píxeles blancos) 3- Revisar el vecindario del píxel 4- Si el vecindario del píxel posee un valor diferente (Color negro) dicho píxel hace parte del borde del elemento 5- Si el vecindario está compuesto de píxeles con el mismo valor (Color blanco) dicho píxel se encuentra en la parte interna del elemento 6- Repetir los pasos 5 y 6 para cada píxel que compone dicho elemento 7- Repetir los pasos 3-6 para cada elemento presente en la imagen 8- Fin
Figura 98. Elemento de la imagen
Figura 99. Píxeles correspondientes al borde del
elemento (Verde)
El borde de la imagen por sí solo no posee información muy útil respecto al contenido de la misma, sin embargo asociando el borde a medidas como el bounding box, la elipse o un círculo ajustado se puede obtener información sobre la geometría del objeto, ya que si el perímetro de un figura geométrica de interés es similar al perímetro del objeto puede ser un indicativo de su forma. Aproximaciones más específicas respecto a la forma y el borde pueden ser encontradas en la signatura.
101
9.2.5.8. Centroide
Los centroides corresponden al promedio de las coordenadas de todos los píxeles presentes en el elemento segmentado. Estos elementos tiene un rol importante en la implementación posterior de visión estereoscópica debido a que son el punto de referencia entre el cambio de coordenadas entre la perspectiva izquierda y derecha.
Pseudocódigo 1- Inicio 2- Obtener las posiciones en X y Y de los píxeles que conforman el elemento 3- Promediar las posiciones en X para obtener la coordenada en X del centroide 4- Promediar las posiciones en Y para obtener la coordenada en Y del centroide 5- Repetir los pasos 2-4 para cada elemento en la imagen 6- Fin
Figura 100. Elemento de la imagen
Figura 101. Centroide del elemento
Se observó que las coordenadas geométricas de los centroides difieren al realizar cambios de resolución. Esto se debe a la diferencia entre la cantidad de píxeles que definen la silueta segmentada, a menor resolución se pierden detalles en la forma. Los segmentos de enmallado sobrante también presentan inconvenientes en la implementación de los centroides como descriptores de los botones segmentados, pues desplazan ligeramente las coordenadas de estos hacia las regiones cercanas a los bordes del círculo correspondiente al botón. Lo anterior repercute en la fiabilidad de algunos de los diámetros calculados, pues no se realiza la medida desde el eje central ideal.
9.2.5.9. Signatura
La signatura o firma de un elemento es una medida derivada que brinda información respecto a la forma del objeto, esta puede ser generalizada de modo tal que las signaturas de cierto tipo o clase brinden información adicional como podría ser orientación del objeto.
Pseudocódigo 1- Inicio 2- Obtener los centroides y el borde del elemento 3- Calcular la distancia del centroide hasta cada píxel que conforma el
102
borde 4- Graficar la distancia obtenida 5- Repetir los pasos 2-4 para cada elemento presente en la imagen 6- Fin
Tabla 22. Signatura imágenes binarias
Figura 102.1. Elemento de la
imagen
Figura 103.2. Signatura de la imagen
Figura 104.3. Elemento de la
imagen
Figura 105.4. Signatura de la imagen
Las signaturas representan una oportunidad de obtener información respecto a la orientación del botón floral, ya que si un botón se observa justo desde arriba este se va a asimilar a un círculo Fig 104.3. y la signatura de un círculo es aproximadamente una línea recta Fig 105.4., cuando el botón no se encuentra ubicado de esta manera el enmallado empieza a alongarse generando las signaturas presentes en las figura 103.2.; la no implementación de la signatura como característica obedece a dos motivos principales, el primero es que las signaturas no son escalables, esto quiere decir que si yo deseo normalizar mi signatura (Rango de 0 a 1) el resultado posterior no va a corresponder necesariamente con la forma inicial, en el caso del botón que parece un círculo su nueva signatura se asemejaba más a una señal de seno, el segundo inconveniente es que las signaturas no son suaves, esto debido al proceso de erosión morfológica fina llevado a cabo durante el complemento de la segmentación, de modo tal que generar correspondencias o entender patrones de signaturas requería un grupo de entrenamiento grande y extracción más robusta de las características, lo cual comparado con aproximaciones más sencillas a la orientación como la elipse ajustada, son motivos para no usar la signatura.
103
9.2.5.10. Elipse
Mediante el ajuste de una elipse en la imagen binaria se pueden extrapolar medidas de diámetros mayores y menores. Pseudocódigo 1- Inicio 2- Obtener los centroides y píxeles del elemento 3- Calcular la elipse ajustada basada en el segundo momento central de los píxeles de la región 4- Fin
Figura 106. Imagen binaria
Figura 107. Elipse ajustada
9.2.5.11. Eje mayor - Orientación
El eje mayor corresponde al segmento de mayor longitud de extremo a extremo de la elipse que se dibujaría sobre la figura a partir de las dimensiones de esta.
Pseudocódigo 1- Inicio 2- Obtener los centroides y píxeles del elemento 3- Calcular la elipse ajustada basada en el segundo momento central de los píxeles de la región 4- Obtener el eje mayor de la elipse 5- Fin
104
Figura 108. Imagen binaria
Figura 109. Orientación y eje mayor
La orientación de la silueta segmentada corresponde al eje mayor de la misma. Se había considerado hacer uso del eje mayor como parámetro para buscar correspondencia entre las reproyecciones de un botón en un par estereoscópico. Sin embargo, debido al reducido tamaño de los botones la orientación perceptible de estos puede variar drásticamente de una imagen a la otra, lo cual invalida a este parámetro como una variable a tener en cuenta en el análisis de las reproyecciones.
9.2.5.12. Eje menor
El eje menor viene asociado a la elipse ajustada en el objeto y para visualizarlo, el mismo se traza a través del centroide. Pseudocódigo 1- Inicio 2- Obtener los centroides y píxeles del elemento 3- Calcular la elipse ajustada basada en el segundo momento central de los píxeles de la región 4- Obtener el eje menor de la elipse 5- Fin
Figura 110. Imagen binaria
Figura 111. Eje menor
El eje menor de la elipse para nuestro caso es el análogo de la medida de diámetro tomada con el calibrador, esta medida es útil para la implementación de la visión estereoscópica ya que al realizar el escalado correspondiente y la conversión de píxeles a milímetros se puede obtener un aproximado de la medida real del botón.
105
9.2.6. Extracción de color de la imagen segmentada
La clasificación de los estados fenológicos de la rosa está basada casi de manera exclusiva en la determinación de los colores presentes o ausentes en el botón floral, y la inspección visual realizada de manera tradicional se centra en la búsqueda del color rojo de los pétalos, evidenciado por la flor con la apertura de los sépalos.
9.2.6.1. Extracción en espacio tridimensional
Para la extracción del color en espacio tridimensional se aplicó la técnica de extracción de color por umbral de distancia, esta fue usada en el espacio RGB con la finalidad de obtener tanto el color verde de los sépalos como el color rojo de los pétalos.
Pseudocódigo 1- Inicio 2- Crear un punto de referencia en el espacio RGB conteniendo el color que se quiere extraer 3- Establecer un umbral de distancia 4- Obtener las posiciones de los píxeles que componen el elemento de interés 5- Calcular la distancia de las coordenadas RGB del píxel examinado hasta el punto de referencia creado 6- Si la distancia calculada es menor al umbral, el píxel examinado pertenece al color que se desea extraer 7- Si la distancia calculada es mayor al umbral, el píxel examinado no pertenece al color que se desea extraer 8- Repetir los pasos 5-7 para cada píxel en el elemento 9- Obtener el área del elemento (Número total de píxeles en el elemento) 10- Dividir el total de píxeles que pertenecen al color examinado en el área del elemento para obtener el porcentaje de píxeles de color. 11- Repetir los pasos 4-10 para cada elemento de la imagen. 12- Fin
En la figura 112 se puede observar un ejemplo claro de la segmentación de color, supongamos que se desea obtener el color rojo [1 0 0] marcado con una X, los valores cercanos a este punto en el espacio RGB, visualmente pueden aparentar ser rojo dada la crominancia, pero en el espacio RGB pueden estar alejados del punto de interés por lo cual si el umbral de distancia es muy pequeño no va a ser extraído.
106
Figura 112. Distribución de píxeles similares al color rojo en espacio RGB
9.2.6.2. Extracción en espacio unidimensional
Para la extracción del color en espacio unidimensional se aplicó tanto la técnica de extracción de color por umbral de distancia como por umbral directo, adicionalmente se trabajó tanto en los espacios unidimensionales básicos del espacio de color como en espacios procesados mediante normalización del canal o producto entre canales. Se usó en la búsqueda del color de los pétalos y para obtener el color del enmallado. Para extracción por umbral de distancia se usa la misma lógica que en el espacio tridimensional, con la excepción de que en el paso 2 en vez de tener un punto de referencia con coordenadas en tres ejes, se posee un punto de referencia en único eje. Para la extracción por umbral directo se usó el siguiente algoritmo: Pseudocódigo 1- Inicio 2- Establecer un umbral superior y un umbral inferior del color que se desea extraer 3- Obtener las posiciones de los píxeles que componen el elemento de interés 4- Obtener el valor en el espacio unidimensional evaluado para el píxel examinado 5- Si el valor del píxel examinado es mayor al umbral inferior y menor al umbral superior, el píxel examinado pertenece al color que se desea extraer 6- Si el valor del píxel examinado es menor al umbral inferior o es mayor al umbral superior, el píxel examinado no pertenece al color que se desea extraer
107
7- Repetir los pasos 4-6 para cada píxel en el elemento 8- Obtener el área del elemento (Número total de píxeles en el elemento) 9- Dividir el total de píxeles que pertenecen al color examinado en el área del elemento para obtener el porcentaje de píxeles de color 10- Repetir los pasos 3-9 para cada elemento de la imagen 11-Fin
9.2.6.3. Extracción de color de pétalos
Para obtener el color rojo característico de los pétalos se usaron estrategias de segmentación tanto en el espacio RGB como en el espacio HSV.
RGB Se usó la obtención de color por umbral de distancia en espacio tridimensional, tomando como valor en RGB el vector [1 0.25 0.25] y teniendo un umbral de distancia menor a 0.3.
Figura 113. Punto de corte
Figura 114. Punto de corte - Color rojo extraído
La extracción de color en el espacio RGB es poco robusta dada la
correlación de sus componentes mediante la luminosidad, esto es
fácilmente evidenciable en la figura 113, en donde los tonos de rojo que
se encuentran más alejados del enmallado son reconocidos, sin
embargo conforme la tonalidad se mezcla con el enmallado este tono
de rojo no es reconocido y se da ya que el tono que percepción visual
es rojo en el espacio RGB se encuentra ubicado más hacia el eje del
canal G o del canal B, para tener una mejor visualización en la figura
115 se muestra la distribución de los píxeles de la figura 114 en el
espacio RGB, haciendo evidente que los tonos rojos se encuentran
alejados del canal R.
108
Figura 115. Distribución de píxeles en un botón en estado punto de corte
HSV
En el espacio HSV se pueden usar canales individuales para obtener
los colores de manera similar a como se realizó la segmentación, para
obtener el color rojo se usaron el espacio H y su similitud al color blanco
(Fig 117.2) y el canal S y su similitud al color negro (Fig 118.3) en las
secciones donde se encuentran expuestos los pétalos; aplicando una
estrategia mixta de umbralización directa y por distancia entre puntos
se logra obtener el color rojo en el botón floral (Fig H.4)
Figura 116.1. Espacio
HSV
Figura 117.2. Canal H
Figura 118.3. Canal S
Figura 119.4. Color rojo
extraído
La visualización del color de los pétalos en el botón floral es
probablemente la característica más importante para la determinación
de estados fenológicos ya que la aparición del mismo marca el cambio
de estado garbanzo a rayacolor y cuando los pétalos se tornan
completamente visibles a través del enmallado y se posee un tamaño
considerable el botón habrá pasado de rayacolor a punto de corte, es
por esto que la alternativa en HSV para extracción de color rojo brinda
un buen umbral de clasificación.
109
9.2.6.3.1. Extracción de color de sépalos
Se revisó la posibilidad de comparar la proporción entre el color
rojo (pétalos) y verde (sépalos), de manera similar a como se
llevó a cabo para el color rojo, pero empleando el vector [0.5 1
0.5]. Sin embargo debido a que el enmallado también posee una
tonalidad verde, la extracción de color en sépalos presenta
inconvenientes para el estado de garbanzo, como producto de
la dificultad para diferenciar entre el verde del enmallado y el
verde de los sépalos.
Figura 120. Extracción de sépalos
Figura 121. Extracción de sépalos
Debido a la poca fiabilidad de las proporciones de verde
“sépalo” que se obtendrían, se determina que esta no es una
característica viable para realizar agrupamiento.
9.2.6.3.2. Extracción de color de enmallado
Debido a que la aproximación tradicional de proporción entre sépalos y pétalos para determinar el cambio entre estados fenológicos no es viable, se buscó una alternativa para poder clasificar usando color y se determinó que la extracción del enmallado como propiedad del botón podía ser viable ya que es la misma presencia del enmallado la que impide la correcta visualización de los sépalos, por lo tanto en un botón de estado garbanzo el color del enmallado será dominante, en tanto que a medida que se va avanzando hacia rayacolor y punto de corte el enmallado va a perder porcentaje de cobertura dada la manifestación visible de los pétalos.
RGB En el espacio RGB se optó por usar el canal R normalizado (Cheng, Jiang, Sun & Wang, 2001) para extraer el enmallado ya que este tiene un valor muy bajo (parecido a color negro) en dicho canal, se aplicó un umbral directo sobre el canal y se obtuvieron los valores que corresponden a píxeles de
110
enmallado.
Figura 122. Botón floral
Figura 123. Canal R
Figura 124. Canal R
normalizado
Figura 125. Enmallado
extraído
HSV
En el espacio HSV se usó el espacio de tono y se aplicó un
umbral similar al usado en la segmentación de modo tal que el
tono asignado al enmallado fuera extraído por umbral directo.
Figura 126. Botón floral HSV
Figura 127. Canal H
Figura 128. Enmallado extraído
111
La extracción del color de enmallado es una alternativa
aceptable, sin embargo posee problemas asociados como la
perspectiva con la cual se observa el botón ya que si las
porciones superior e inferior de enmallado, aquellas que no
corresponden al botón floral, aparecen en la imagen es posible
que el porcentaje que se extrae aumente lo cual puede llevar a
clasificaciones erróneas de botones que se encuentren en
etapas de desarrollo avanzadas pero por la percepción el
enmallado tenga valores muy altos, sin embargo se posee la
ventaja de que es capaz de agrupar a los botones de garbanzo
de manera casi óptima ya que es la única característica visible
que tienen los mismos.
9.2.7. Percepción de profundidad
Se revisaron alternativas para algoritmos que permitan la percepción de
profundidad en una imagen.
9.2.7.1. Alternativas revisadas para su implementación.
9.2.7.1.1. Estimación en base a difuminación (Blur estimation)
La profundidad se calcula a partir de la entrada y salida de los
objetos en rango de la profundidad de campo, esta técnica
requiere del desplazamiento alternado hacia adelante y atrás de
la cámara, con el objetivo de desplazar el rango mencionado en
la misma medida permitiendo que objetos a distintas distancias
sean percibidos con enfoques disímiles.
112
Ventajas
- Solo requiere de una cámara para su implementación.
- Con la calibración adecuada puede resultar bastante preciso en
la detección de profundidad.
- Resulta conveniente para objetos a alturas muy diversas como
en para la problemática actual.
Desventajas
- Requiere de una calibración física del dispositivo de captura.
- La mayoría de cámaras comerciales poseen una profundidad
de campo > 2-3 metros por lo que la altura de la estructura de
soporte requerida no sería viable por las dimensiones del
invernadero.
- Si se desea una alta precisión será necesario establecer
múltiples alturas para la captura de imágen y la tarea del
desplazamiento repetido del objeto para cada zona de captura
puede resultar laboriosa.
- Existe poco desarrollo en esta técnica lo que implica la
existencia de problemáticas no descubiertas para su
implementación.
9.2.7.1.2. Uso de imágenes sin percepción de profundidad
Ventajas
- No se requiere de la adquisición de material adicional. - El tiempo de procesado se disminuiría, puesto que solo se
requeriría de la medición de píxeles y su posterior conversión para estimar el diámetro de los botones
Desventajas
- Sería necesario estimar la distancia a la que se encuentran los botones a partir de la cantidad de pixeles que tengan sus objetos post-segmentación. A continuación se debería establecer un rango para clasificarlos en los respectivos estados. Este método sería muy sensible a errores de percepción y poco recomendable.
9.2.7.1.3. Procesado de imágenes estereoscópicas (alternativa
escogida)
Se emplea la disparidad entre los objetos presentes en dos
imágenes tomadas con un desplazamiento lateral entre los
objetos de captura. La diferencia entre las coordenadas de los
objetos en el par de imágenes incrementa proporcionalmente a
la cercanía que se tenga a los puntos de captura.
113
Ventajas
- Si el proceso es realizado adecuadamente se puede tener una
reconstrucción fidedigna del medio capturado.
- El mecanismo de captura no es laborioso debido a que solo se
requiere de la toma del par de imágenes estereoscópicas ya sea
mediante un kit pre-diseñado, un montaje de dos cámaras o,
aunque es menos recomendable, se puede implementar una
sola cámara con un riel para su desplazamiento.
- Este es un método popular de reconstrucción con numerosos
antecedentes y variantes lo cual reduce la posibilidad de
inconvenientes con soluciones difíciles de encontrar.
Desventajas
- Su implementación se recomienda con dos cámaras o un kit
pre-diseñado lo cual implica un costo mayor.
- La implementación de una sola cámara tiene complicaciones
debido a la exactitud requerida en la consistencia de las
posiciones de captura lo cual la hace una alternativa poco
tentadora para una aplicación como la que se plantea.
- Se requiere de una calibración previa con patrón de ajedrez
para poder realizar la rectificación de las imágenes, si bien esta
solo debe realizarse una vez, implica un obstáculo para dar
inicio al procesado de los mapas de disparidad.
9.2.7.2. Generación de parámetros de calibración mediante
aplicación de cámaras estereoscópicas.
Para la reconstrucción 3D del segmento fotografiado se requiere de
imágenes rectificadas. El proceso de rectificación se lleva a cabo a
partir de un objeto en el que se guardan los parámetros del sistema de
cámara estereoscópica. Este a su vez se genera a partir de un proceso
de calibración con las respectivas cámaras.
La calibración de las cámaras se lleva a cabo tomando numerosos
pares de imágenes a un patrón de ajedrez, donde se aplica un algoritmo
de detección nativo de MATLAB para los bordes del patrón.
114
Figura 129. Aplicación para la calibración de las cámaras.
Se remueven pares de imágenes que presenten errores de
reproyección elevados hasta que se tenga un error medio de 0,5
píxeles. Se busca obtener imágenes rectificadas con la menor
deformación posible de la imagen original. Una vez que se ha
alcanzado un error medio lo suficientemente bajo se ensaya la vista
rectificada de la imagen.
Figura 130. Rectificación de imágenes de calibración.
Fuente: Elaboración propia.
En las imágenes rectificadas se observan las líneas epipolares
trazadas sobre los puntos comunes detectados entre las imágenes. El
proceso de rectificación puede ocasionar que las imágenes roten o
cambien de escala, para una reconstrucción 3D apropiada se espera
que la visualización de las imágenes obtenidas no se vea afectada por
estas operaciones. Una vez se obtienen imágenes rectificadas que no
presenten deformaciones se realiza la exportación del objeto
correspondiente a los parámetros estereoscópicos de la cámara
empleada.
115
El proceso de rectificación resulta en la amplificación ligera de la
imagen lo cual puede recortar objetos que se encuentren muy cerca de
los bordes. Esto adicionado al elevado costo computacional que se
encontró para llevar a cabo el proceso en imágenes a resolución
completa, repercute como una problemática ante la implementación de
la característica de diámetro como variable de clasificación, pues a
causa de estas limitaciones se prevé la inevitable pérdida de
información.
9.2.7.3. Pre-procesado adicional posterior a la segmentación
La profundidad se calcula a partir de la disparidad entre las posiciones
de los centroides de los botones en las fotos izquierda y derecha, por
lo cual es necesario filtrar aquellos botones que no aparezcan en
ambas fotos.
Figura 131. Ubicación de los centroides izquierdos y derechos sobre la captura
izquierda.
Fuente: Elaboración propia.
116
Figura 132. Centroides de fotografía izquierda (azules) y derecha (rojos).
Fuente: Elaboración propia.
Los botones adicionales son filtrados de la imagen comparando la
distancia (tanto euclidiana como solo en el eje y) que presentan con
respecto a los centroides de la fotografía contraria, adicionalmente se
tiene en cuenta su cercanía a los límites laterales de la imagen, la
diferencia entre los ejes menores de los píxeles y la posición que
presente la re-proyección.
Figura 133. Filtro de centroides extra. Centroides de fotografía izquierda (azules) y
derecha (rojos).
Fuente: Elaboración propia.
117
9.2.7.4. Cálculo del diámetro a partir de nube de puntos generada
por MATLAB
Empleando las imágenes rectificadas a partir del objeto de calibración
se realiza un mapa de disparidad a partir del cual se genera una nube
de puntos. A continuación se busca la coordenada en Z respectiva para
los centroides de los botones y se obtiene el valor de profundidad para
ese botón
Figura 134. Nube de puntos generada a partir de mapa de disparidad obtenido de
MATLAB.
Fuente: Elaboración propia.
Esta alternativa presenta el inconveniente de que para generar el mapa
de disparidad el algoritmo toma puntos aleatorios entre ambas
imágenes a partir de los cuales se realizará la comparación sobre las
líneas epipolares. Lo anterior ocasiona que se tengan segmentos de la
reconstrucción en los que no se pudieron obtener datos de profundidad.
En ocasiones los botones pueden verse ubicados sobre estos vacíos
de información por lo que resulta imposible extraer la información
requerida.
9.2.7.5. Cálculo directo de la profundidad y diámetro del botón
(alternativa escogida)
La profundidad se calcula a partir de la disparidad entre las
coordenadas de los centroides, la distancia entre los puntos de captura
y la distancia focal de las cámaras. La distancia entre los lentes (o línea
de base) se conoce de antemano, la distancia focal se obtiene en
píxeles del objeto de calibración y la disparidad es la diferencia entre
las coordenadas del par de centroides.
118
Para el cálculo del diámetro se toma el eje menor en torno al centroide
de la figura segmentada. El diámetro se toma como la medida escalada
del eje menor, teniendo en cuenta la distancia a la que se encuentra el
centroide de la cámara y la distancia focal de la misma.
Figura 135. Ecuación implementada para el cálculo del diámetro.
Fuente: Elaboración propia
El diámetro como característica puede considerarse un indicativo del
estado fenológico sin embargo el mismo está condicionado por el
grosor del tallo del cual se produce el brote del botón floral lo cual
reduce su fiabilidad como medida única de clasificación ya que brotes
excepcionalmente grandes en estados como garbanzo podrían tener
una falsa asociación con un estado más avanzado sin manifestar los
cambios fenológicos (apertura de sépalos) requeridos para el cambio
de estado.
9.2.8. Métodos de clasificación
Se escogieron 4 características asociadas a color, como posibles indicadores
de diferencias entre los estados fenológicos, las características fueron:
1- Porcentaje de píxeles correspondientes a enmallado extraídos en espacio
RGB
2- Porcentaje de píxeles correspondientes a sépalos extraídos en espacio
RGB
3- Porcentaje de píxeles correspondientes a pétalos extraídos en espacio
HSV
4- Porcentaje de píxeles correspondientes a enmallado extraídos en espacio
HSV
Para poder realizar una disminución en la dimensionalidad se eliminó la
característica #2, ya que como se observó en la etapa de extracción de color
no es lo suficientemente robusta como para brindar información que permita
diferenciar las clases esto fue comprobado con gráficos de dispersión (figura
136), se determinaron que las características que permiten diferenciar de mejor
manera las clases corresponden las siguientes características de color:
Porcentaje de enmallado extraído en RGB, porcentaje de pétalos extraídos en
HSV y porcentaje de enmallado extraído en HSV.
119
Figura 136. Relación entre el porcentaje de enmallado y el porcentaje de sépalos.
Dado que la característica asociada al cambio entre estados fenológicos es la
apertura de los sépalos las características asociadas al color son aquellas
capaces de conformar un mejor clasificador, sin embargo se deben tener en
cuenta que no siempre la apertura de sépalos es uniforme para el botón por lo
cual se pueden tener botones que dada la percepción de la cámara posean
apertura parcial y no sea completamente visible el color de los pétalos,
variables biológicas como las descritas previamente son fuente de
incertidumbre y contribuyen al error del algoritmo (Reuster, 2015).
9.2.9. Clasificación
Para poder crear un modelo que permita clasificar los botones florales se usó
un dataset compuesto por 168 fotos de días diferentes a los días en que se
adquirieron imágenes usadas para realizar la estimación, se creó un índice foto
a foto con los resultados del algoritmo en donde a cada botón segmentado se
le asignaba el respectivo estado al que pertenecía, basado en las
características indicadas por el ingeniero y las medidas tomadas en los
mapeos de la cama. A estas fotos se les extrajeron las tres características de
color mencionadas anteriormente para poder clasificarlas.
120
Figura 137. Diagrama del proceso de clasificación.
En la obtención de dicho índice no se tuvieron en cuenta los botones
segmentados que se encontraran ocluidos y los falsos positivos arrojados por
el algoritmo, de modo tal que los datos correspondieran exclusivamente a
botones en los tres estados fenológicos de interés. De las 168 fotos se
obtuvieron 779 objetos identificados por el algoritmo como botones florales, de
los cuales tras seleccionar los que corresponden a botones cuyo estado es
identificable, obteniendo así el grupo final de 711 datos conformados por 212
botones en estado de garbanzo, 321 en estado de rayacolor y 178 en estado
de punto de corte.
9.2.9.1. Preprocesado de características
En búsqueda de una mejor separabilidad entre clases se aplicaron
transformaciones previas a los datos, las transformaciones aplicadas
fueron las siguientes:
- Normalización
- PCA
- Transformación de potencia
También se usaron combinaciones entre las transformaciones,
generando así los siguientes DataSet:
- Datos en bruto (DB) - Datos normalizados (DN) - Datos con transformaciones de potencia al cubo en
componentes de enmallado y posteriormente normalizados (DTPN-E3)
- Datos con transformaciones de potencia al cubo y posteriormente normalizados (DTPN3)
- Datos normalizados y con posterior transformación de potencia al cubo (DNTP3)
- Datos normalizados y con posterior transformación de potencia al cubo en componentes de enmallado (DNTP-E3).
A cada uno de los DataSet mencionados anteriormente se les realizó
PCA y se obtuvieron dos grupos de DataSet nuevos, uno con las 2
principales componentes y el otro con las 3 principales componentes.
121
Algunos resultados de dichas transformaciones en forma de gráfico de
dispersión se pueden observar en la tabla 23.
Tabla 23. Diagramas de dispersión de los DataSet con transformaciones
(DB)
Datos normalizados (DN)
(DTP3)
(DTPN-PCA3)
PCA con datos normalizados y
transformación de potencia (DNTP-PCA)
Elevado al cubo
PCA con datos en bruto (DB-PCA)
122
Debido a la cualidad de estado de transición que tiene el rayacolor se
encuentran obstáculos en su clasificación, pues datos de esta clase se
filtran en los rangos de las dos clases extremas. Sin embargo, como
se puede observar al comparar las gráficas, la agrupación para cada
clase se ve más uniforme al emplear PCA con datos normalizados y
transformación de potencia al cubo. La uniformidad de las clases
implica un mayor porcentaje de acierto en la etapa posterior de
clasificación, pues se reduce la probabilidad de agrupaciones erróneas
para el estado de transición.
9.2.9.2. Estrategias de agrupamiento
9.2.9.2.1. K-Means
Se usó k-means para agrupar los datos de modo tal que cada
uno de los 3 grupos formados correspondiera a un estado
fenológico, para conocer el rendimiento se asignan las clases a
los grupos formados y se observa si los datos agrupados
pertenecen a la clase indicada.
Figura 138. Distribución de píxeles de enmallado mediante K-Means.
Tabla 24. Rendimientos netos por K-Means
DataSet DB DN DNTP3 DNTP-E3 DTPN3 DTPN-E3
Rendimiento 52.88% 52.74% 73.98% 74.82% 74.54% 65.54%
DataSet PCA2 DB
PCA2 DN
PCA2
DNTP3
PCA2
DNTP-E3
PCA2
DTPN3
PCA2
DTPN-E3
Rendimiento 53.02% 52.03% 73.98% 74.12% 74.68% 73.27%
DataSet PCA3 DB
PCA3 DN
PCA3
DNTP3
PCA3
DNTP-E3
PCA3
DTPN3
PCA3
DTPN-E3
Rendimiento 52.88% 52.74% 73.98% 74.26% 74.54% 65.54%
123
La estrategia de agrupamiento posee rendimientos bajos, lo
cual es producto de la relación de la clase intermedia (raya
color) con las clases extremas, el algoritmo de K-means usa un
umbral de agrupación mediante distancias respecto a
promedios de los clúster que se infiere existen en la distribución
de datos, las transformaciones aplicadas a los datos ayudan a
mejorar el rendimiento en algunos casos al reagrupar a los
estados de punto de corte y desligar a los raya color de los
garbanzos, sin embargo esta aproximación es muy rígida para
el problema de clasificación presente por lo cual su desempeño
no es viable en el proyecto.
9.2.9.2.2. C-Means
Se usó el agrupamiento mediante lógica difusa aplicando una
lógica similar al agrupamiento de K-means, sin embargo, esta
alternativa fue evaluada ya que la lógica difusa permite
umbrales no tan sesgados al permitir que los datos tengan la
posibilidad de pertenecer a cualquiera de las tres clases.
Figura 139. Distribución de píxeles de enmallado mediante C-Means.
Tabla 25. Rendimientos netos por C-Means
DataSet DB DN DNTP3 DNTP-E3 DTPN3 DTPN-E3
Rendimiento 56.68% 55.41% 74.12% 74.68% 74.96% 72.01%
DataSet PCA2 DB
PCA2 DN
PCA2
DNTP3
PCA2
DNTP-E3
PCA2
DTPN3
PCA2
DTPN-E3
Rendimiento 55.55% 54.71% 73.98% 73.69% 73.69% 73.55%
DataSet PCA3 DB
PCA3 DN
PCA3
DNTP3
PCA3
DNTP-E3
PCA3
DTPN3
PCA3
DTPN-E3
Rendimiento 56.68% 55.41% 74.12% 74.68% 74.82% 72.01%
124
Sin embargo, el clustering mediante C-means sigue teniendo un
umbral de decisión muy sesgado evitando que el rendimiento se
eleve, por lo cual esta alternativa no es viable para usarla como
clasificador ya que los rendimientos netos son muy bajos y no
brinda una solución a que la clase intermedia pueda ser
catalogada incorrectamente como uno de las dos clases de los
extremos.
9.2.9.3. Estrategias de clasificación
Para entrenar los clasificadores se usó el 70% de los datos y el 30%
restante se usó para validar, para dividir los datos se usó muestreo
simple aleatorio en los datos de cada clase, de modo tal que los datos
de entrenamiento y validación incluyeran datos representativos de cada
clase.
La estrategia de muestreo aleatorio simple por cada clase, permite que
tanto los datos de entrenamiento como validación sean representativos
de cada clase lo cual permite asegurar que el rendimiento del modelo
no va a estar condicionado por los datos seleccionados, esto se da
debido a que los datos de entrenamiento no son homogéneos, es decir
las tres clases no están representadas en igual porcentaje de modo tal
que un muestreo aleatorio simple puede condicionar los resultados
sobreentrenando el modelo para ajustarse a la clase que posea más
muestras en el entrenamiento, que a su vez va a ser la clase que
dispone de más datos totales de entrenamiento.
9.2.9.3.1. K-Vecinos más próximos
Se evaluaron los primeros 100 K-vecinos buscando el mejor
rendimiento del clasificador. Se realizó por triplicado para
validar, dado el cambio en los datos de entrenamiento y
validación por el muestreo simple aleatorio de cada clase.
Para escoger el número de vecinos que brindara el mejor
rendimiento se realizó una gráfica de rendimiento respecto al
número de vecinos (Fig. 140), teniendo la información de las 3
gráficas se procede a identificar el número de vecino que posee
el rendimiento más alto pero que sea constante en las tres
gráficas y se promedia su rendimiento.
125
Figura 140. Evaluación del rendimiento respecto al número de K-Vecinos
Tabla 26. Rendimientos netos por K-Vecinos
DataSet DB DN DNTP3 DNTP-E3 DTPN3 DTPN-E3
K-Vecinos 23 55 83 31 93 67
Rendimiento 74.62% 74.18% 75.63% 74.05% 73.58% 76.1%
DataSet PCA2 DB
PCA2 DN
PCA2
DNTP3
PCA2
DNTP-E3
PCA2
DTPN3
PCA2
DTPN-E3
K-Vecinos 59 61 77 77 47 51
Rendimiento 75.79% 76.4% 75.15% 76.42% 76.41% 75.42%
DataSet PCA3 DB
PCA3 DN
PCA3
DNTP3
PCA3
DNTP-E3
PCA3
DTPN3
PCA3
DTPN-E3
K-Vecinos 57 25 73 81 75 101
Rendimiento 75.31% 75.15% 75% 75.63% 75.78% 77.04%
Se escogió entonces de entre los métodos de agrupamiento y
el clasificador aquel que posee el rendimiento neto más alto,
que es un clasificador mediante 101 vecinos con los datos bajo
una transformación de potencia en sus componentes de
enmallado, posteriormente normalizado y con PCA tomando
sus tres principales componentes. Se realizó la matriz de
confusión para validar los resultados obtenidos de rendimiento
neto.
Tabla 27. Matriz de confusión del clasificador escogido
Garbanzo
(Predicción) Rayacolor
(Predicción) Punto de corte
(Predicción)
126
Garbanzo (Real)
82.53% 17.46% 0%
Rayacolor (Real)
15.62% 70.83% 13.54%
Punto de corte (Real)
0% 15.09% 84.9%
La matriz de confusión confirma lo descrito por los diagramas
de dispersión, las clases de los extremos (Garbanzo y punto de
corte) son fácilmente diferenciables, de hecho en pruebas
aisladas con clasificadores similares los porcentajes de
rendimiento superan el 95%, es entonces la clase intermedia es
decir los botones en estado de raya color aquellos que menor
rendimiento y los que afectan la correcta clasificación de los
estados extremos ya que el mismo al ser un estado de transición
puede poseer de ambos y fundirse en las demás clases, por lo
por lo cual se debe buscar una estrategia para aumentar el
rendimiento de la misma, es por esto que se basado en la visión
estereoscópica y en los datos estadísticos de diámetros se
agregaron excepciones al clasificador buscando aumentar el
rendimiento; dichas excepciones fueron si la clase asignada a
un botón es de punto de corte o de garbanzo, pero el diámetro
se encuentra inferior al mínimo punto de corte o superior al
máximo garbanzo, dicho botón fue clasificado erróneamente
mediante el clasificador de color y su clase verdadera es de raya
color.
El resultado final del algoritmo de clasificación permite obtener
el número de botones que pertenecen a cada estado fenológico
y es el insumo brindado para la etapa de estimación; el tiempo
total de ejecución del algoritmo se encuentra entre los 30 a 40
minutos, lo cual permite evidenciar su utilidad en procesos de
automatización o escalado del proceso de conteo y clasificación
ya que es un tiempo menor al requerido para llevar a cabo la
misma tarea de manera manual; en caso de requerir una
disminución mayor del tiempo se pueden considerar
implementar alternativas de procesamiento en paralelo.
9.3. Fase III
En la fase anterior se obtuvo el algoritmo de clasificación a partir del cual se le asigna
un nombre correspondiente a cada una de las agrupaciones realizadas. En esta etapa
se hizo uso del algoritmo anterior para cuantificar la cantidad de elementos asignados
a cada clase y así llevar a cabo la estimación productiva en el tiempo y se realiza la
127
evaluación del desempeño entre la estimación del algoritmo y la estimación de la
empresa
9.3.1. Estimación de la producción basada en los estados fenológicos
identificados por el algoritmo y evaluación del desempeño de éste.
Para la obtener la estimación productiva a partir de la clasificación obtenida al
final de la fase previa, es necesario realizar la estimación de tiempo de cosecha
para cada estado y escalar los valores obtenidos ante el sector del cual son
muestra respectiva.
La asociación de estados y el escalamiento de valores se llevan a cabo
imitando el modelo implementado en la empresa (figura 2); los botones en
estado de garbanzo se emplean para la estimación productiva a dos semanas
y los que estén en estado raya color corresponden a la producción a 1 semana.
Solo se empleó una cama piloto en lugar de 10 como ocurre en el cultivo debido
al elevado costo computacional que se tendría durante la elaboración del
algoritmo y al tiempo de adquisición de imágenes. Las estimaciones de la
empresa se escalaron al 10% para compararlas adecuadamente contra la
estimación del algoritmo multiplicada por la cantidad de camas que representa;
18.
9.3.2. Evaluar el desempeño del algoritmo comparando la producción
estimada respecto a la producción real.
9.3.2.1. Evaluación de la etapa de segmentación y conteo
1. Conteo de botones en estados de garbanzo, rayacolor y punto de corte
(Etapa productiva - Enmallado). La evaluación se realizó de la siguiente
manera:
- Se prepararon 8 sets de fotos correspondientes a 33 imágenes de la
cama asignada.
- Se ingresaron las fotos al algoritmo y se obtuvieron resultados del
número de flores por imagen.
- Se realizó la comparación individual respecto al número de flores
presentes en cada imagen para obtener errores de tipo I (Flor no
identificada - Falso negativo) y errores de tipo II (Identificación de un
elemento diferente a la flor - Falso positivo).
- Se realizó la comparación global respecto al total de flores presentes
en las imágenes.
- Se realizó la comparación real respecto al total de flores presentes en
la cama (Valor real).
128
Tabla 28. Rendimiento del algoritmo de conteo
DataSet (Fecha)
N° flores cama
N° flores en imágenes
N° flores calculado por
algoritmo
% Error respecto
cama
% Error respecto imágenes
FP FN
1 (16-02)
191 199 201 5.23% 1% 5 3
2 (23-02)
167 168 174 4.19% 3.57% 9 3
3 (16-03)
177 182 181 2.25% 0.54% 4 5
4 (23-03)
193 207 203 5.18% 1.93% 2 6
5 (13-04)
208 175 177 14.9% 1.14% 5 3
6 (18-04)
161 145 149 7.45% 2.75% 6 2
7 (20-04)
209 186 194 7.17% 4.3% 8 0
8 (23-04)
129 116 117 9.3% 0.86% 1 0
La evaluación de esta etapa se realizó utilizando el total bruto obtenido
del conteo manual, fotográfico y del algoritmo de la cama 23, es decir,
en esta instancia no se utilizó la clasificación por estados para la
evaluación.
El número de flores que se contó manualmente sirve como indicador
del número real de flores de que hay en la cama asignada, al tomarse
la cantidad de botones de esta manera no se tienen afecciones por la
oclusión o residuos de enmallados, al compararse con la cantidad de
botones florales obtenidos por medio de las imágenes se puede
observar que en algunos dataset la cantidad de flores que se tuvieron
por esta opción son mayores a los del conteo manual, esto se debe a
que la distancia de la cámara sobre el cultivo puede captar botones de
camas aledañas o enmallados en el suelo, lo cual genera falsos
negativos o falsos positivos que incrementan el número de botones
captado por imágenes.
En cuanto al algoritmo se puede afirmar que calcula botones florales
más cercanos al conteo realizado por la adquisición de imágenes, por
lo cual el porcentaje de error es menor, esto sirve como indicativo del
correcto funcionamiento del algoritmo.
129
Dada la naturaleza de la detección indirecta del algoritmo este también
ha demostrado ser sensible a posibles elementos presentes en la
imagen que son erróneamente identificados como botones florales lo
que se considera un falso positivo (Error tipo 1), dentro de los
elementos identificados como fuentes de errores tipo 1 se distinguen
enmallados con finalidad repelente de insectos (Fig 141 y 142) en los
cuales se suelen depositar bolas de naftaleno y el enmallado
desechado que suele quedar en el camino.
Figura 141 y 142. Enmallado usado como contenedor de naftaleno (izq), enmallado
reconocido por el algoritmo (der)
Fuente: Elaboración propia
Figura 143 y 144. Enmallado desechado en el camino (izq), enmallado reconocido por
el algoritmo (der)
Fuente: Elaboración propia
Por lo cual se recomienda la limpieza de la cama piloto previo a la toma
de imágenes y el uso de enmallado de otro color como contenedor para
el naftaleno en las camas que serán usadas para la estimación del
cultivo, teniendo en cuenta que en la empresa existen enmallados de
hasta 6 colores diferentes no se considera una interferencia respecto a
la labor cultural ejecutada en el cultivo.
Para el desarrollo del proyecto se realizó el conteo en los estados
garbanzos, raya color y punto de corte debido a corto periodo de
estimación y el uso diferencial del enmallado.
El uso del enmallado en los estados mencionados cumple con
funciones específicas en las rosas de variedad roja, puesto que se
130
encuentran expuestas a daños en los bordes de los pétalos por las
variaciones de temperatura y luminosidad o por deficiencia de calcio.
Una posible solución que ha sido investigada consiste en usar malla
sombra de 35% en variedades sensibles y evitar como sea posible las
grandes variaciones de temperatura entre el día y la noche.
(Reuster, 2015)
9.3.2.2. Evaluación de la etapa de clasificación
- Se prepararon 6 sets de fotos correspondientes a 33 imágenes de la
cama asignada.
- Se ingresaron las fotos al algoritmo y se obtuvieron resultados de las 3
clases asignadas a las flores presentes.
- Se realizó la comparación individual respecto a la clase asignada a
cada flor y la clase correspondiente (Contraste de hipótesis).
- Se realizó la comparación global respecto al total de flores de cada
estado presentes en las imágenes.
- Se realizó la comparación real respecto al total de flores de cada estado
presentes en la cama (Valor real).
GB-Garbanzo
RC-Rayando Color
PC-Punto de Corte
Tabla 29. Rendimiento del algoritmo de clasificación
DataSet (Fecha)
Conteo manual (GB-RC-PC)
Conteo algoritmo (GB-RC-PC)
% Error respecto cama
(GB-RC)
1 - (16-02) (78-87-26) (68-76-57) (12.82% - 12.64%)
2 - (23-02) (78-64-25) (61-69-44) (21.79% - 7.81%)
3 - (16-03) (65-78-34) (51-77-53) (21.53% - 1.28%)
4 - (23-03) (81-69-43) (89-67-47) (9.87% - 2.89%)
5 - (13-04) (60-98-50) (35-89-53) (41.67% - 9.18%)
6 - (20-04) (93-61-55) (98-56-40) (5.37% - 9.83%)
- Implementación de estimación con visión estereoscópica para
imágenes con resolución al 50%
131
Tabla 30. Rendimiento del algoritmo de clasificación con visión estereoscópica.
DataSet (Fecha)
Conteo sin visión estéreo 50% res.
(GB-RC-PC)
Conteo con visión estereoscópica (GB-RC-PC)
% Error respecto a cantidad real: sin v.e. vs v.e. (GB-RC)
5 - (13-04) (23-78-53) (30-83-41) (61.67%-20.4%) vs. (50%-15.3%)
6 - (20-04) (66-68-38) (72-69-31) (29%-11.48%) vs. (22.58%-13.11%)
Empleando los diámetros obtenidos para los botones mediante visión
estereoscópica se establecen valores de umbral para mejorar la
clasificación del estado de transición. Como se puede observar con los
valores de las tablas, se consiguió incrementar la cantidad de botones
clasificados como raya color. El apoyo en la clasificación que se tiene
con visión estereoscópica se deriva de que la clasificación por color es
dependiente de la perspectiva desde la que se toma la fotografía, el
estado de rayacolor es particularmente vulnerable ante este evento
debido a que se le identifica por la aparición de los pétalos entre los
sépalos, sin embargo, este cambio de color no se da uniformemente en
todo el botón y por ende no es visible desde cualquier perspectiva
desde la que se observe.
9.3.2.3. Evaluación de la etapa de estimación
- Se prepararon 6 sets de fotos correspondientes a 33 imágenes de la
cama asignada.
- Se ingresaron las fotos al algoritmo y se obtuvieron resultados del
número de flores y estado fenológico de cada una.
- Se usó la información para estimar la producción futura.
- Se realizó la comparación de la estimación del algoritmo respecto a la
estimación realizada por la empresa.
- Se realizó la comparación de la estimación del algoritmo respecto a la
producción real de la cama y de la nave en la que se estaba trabajando.
Estimación de la empresa
Tabla 31. Rendimiento de la estimación de la empresa
Semana conteo
Estado Estimación total Producción real Semana proyección
Acierto (%)
7 GB 16.902 10.720 9 158%
7 RC 16.776 16.200 8 104%
8 GB 14.112 11.880 10 119%
132
8 RC 14.670 10.720 9 137%
11 GB 14.652 15.510 13 94%
11 RC 14.814 13.530 12 109%
12 GB 17.622 12.240 14 144%
12 RC 13.194 15.510 13 85%
15 GB 18.504 - 17 -
15 RC 20.898 19.610 16 107%
16 GB 18.684 - 18 -
16 RC 16.632 - 17 -
Estimación del algoritmo
Tabla 32. Rendimiento de la estimación del algoritmo
Semana conteo
Estado Estimación calculada escalada al 10%
Producción real al 10%
Semana proyección
Acierto (%)
7 GB 1.224 1.072 9 114%
7 RC 1.368 1.620 8 84%
8 GB 1.098 1.188 10 92%
8 RC 1.242 1.072 9 116%
11 GB 918 1.551 13 59%
11 RC 1.386 1.353 12 102%
12 GB 1.602 1.224 14 130%
12 RC 1.206 1.551 13 78%
15 GB 630 - 17 -
15 RC 1.602 1.961 16 82%
16 GB 1.764 - 18 -
16 RC 1.008 - 17 -
La estimación del algoritmo se escaló al 10% del cultivo puesto que se
utilizó una cama significativa, la cual representa 18 camas vecinas que
serían el 10% del sector 6A que cuenta con 180 camas, posterior al
escalamiento se comparó la proyección de garbanzo y rayacolor contra
la producción real en las semanas que anteriormente fueron de
proyección.
133
Para la semana 13 se obtuvo el porcentaje de acierto más bajo en
comparación a las demás semanas, la causa radica en el desenmallado
de una sección de la cama piloto previo a realizar la adquisición de
imágenes, pero posterior al mapeo manual de los estados fenológicos,
esto se puede considerar como una consecuencia negativa para el
algoritmo si no se sigue rigurosamente el protocolo establecido.
Tabla 33. Porcentaje de acierto total empresa vs algoritmo
Acierto GB (%) Acierto RC (%) Acierto total (%)
Estimación de la empresa
129% 108% 117%
Estimación calculada
99% 92% 95%
Figura 145. Diagrama de cajas y bigotes para las estimaciones obtenidas por la
empresa y para las estimaciones obtenidas por el algoritmo.
Al comparar los porcentajes de acierto entre las estimaciones de la
empresa y las realizadas por el algoritmo tanto para los estados de
garbanzo como para rayacolor se observa que los valores obtenidos
mediante el algoritmo presentan una mayor exactitud. Adicionalmente
se observa que las estimaciones realizadas por la empresa presentan
una tendencia hacia la sobreestimación, una característica que no
ocurre con los resultados obtenidos en el proyecto. Estos resultados
dan evidencia de que el algoritmo presente es una medida viable ante
la problemática planteada de errores en la estimación como
consecuencia de la subjetividad asociada al método empleado para
clasificar los estados fenológicos.
134
Adicionalmente se hace la notación de que el algoritmo tiene un
porcentaje de error bastante bajo con respecto a la identificación de
botones presentes en las imágenes. Los errores con respecto a la
cantidad real de botones son atribuibles al proceso de adquisición de
imágenes implementado y a obstáculos (como eventos de oclusión
completa) para los que no fue posible desarrollar una solución que no
interviniera directamente con el cultivo.
Con respecto a la implementación de la visión estereoscópica se
encontraron limitantes debido a que el proceso de rectificación
necesario para el cálculo de diámetros sólo podía ser realizado al 50%
de la resolución debido a un error en el software. Sin embargo, con una
clasificación realizada a esta misma resolución se comprobó que la
inclusión de estas variables permite diferenciar con mayor exactitud el
estado de transición. Esto podría incrementar la exactitud en las
estimaciones para el estado de rayacolor mejorando el desempeño del
algoritmo.
Un aditamento que presenta la estimación obtenida mediante el
algoritmo con respecto al proceso tradicional es que se tiene un
estimado de producción de puntos de corte. En el cultivo no se realizan
estimaciones en base a los puntos de corte, sin embargo
implementando el algoritmo sería posible generar un estimado para la
producción del día si se ejecuta el protocolo de adquisición al inicio del
día laboral. Esto ofrecería una ventaja ante circunstancias o factores
externos como cambios climáticos que puedan alterar la velocidad de
desarrollo natural de las flores, se tendría un valor de referencia si las
estimaciones previas perdieran fiabilidad bajo estas circunstancias.
Al comparar el desempeño de la estimación obtenida mediante el
algoritmo contra las estimaciones de la empresa, se nota la obtención
de estimaciones más exactas y se elimina la tendencia hacia la
sobreestimación que era visible en el desempeño de los resultados
mediante el método tradicional. Teniendo en cuenta lo anterior, se
plantea que la implementación del algoritmo y del protocolo respectivo
conlleva a reducir la pérdida del material vegetal excedente para el que
no se tendría propósito debido a sobreestimaciones previas.
El incremento en la exactitud de las estimaciones también repercute
sobre la distribución e implementación eficiente de los recursos
disponibles para las tareas agrícolas en cada sector. Una mejor
administración de estos recursos puede verse evidenciada en el
enfoque hacia sectores con mayor potencial productivo o bien en la
restricción proporcional de la adquisición de materiales pertinentes ante
estimaciones pesimistas (RAGHUNATH, 2014).
135
10. CONCLUSIONES
- Al evaluar el protocolo en cuanto a los errores obtenidos en la capacidad del algoritmo
para detectar botones con respecto a la cantidad de botones reales en la cama, se
observa que se tiene un error por debajo del 10%. Teniendo en cuenta que el protocolo
se diseñó como una herramienta para llevar a cabo la captura de imágenes, se
considera que la tasa de error alcanzada es aceptable, pues a pesar de que se
contaba con factores que dificultan la visualización de los botones contra los que no
se tenía una solución que no involucre intervención directa con el cultivo; como el
desarrollo de follaje en los tallos de mayor altura y la oclusión por perspectiva desde
el punto de captura.
- Se considera que el protocolo desarrollado cumplió su propósito y que a partir de éste
se podría modificar el sistema mediante el que se obtiene la estimación en el cultivo.
La facilidad del proceso para la captura de imágenes a partir del protocolo haría
posible incrementar el número de camas piloto seleccionadas haciendo que la muestra
bajo la cual se realice la estimación sea más representativa de la cantidad real de
rosas que se encuentra en el bloque.
- Como se puede evidenciar en las tablas de rendimiento entre conteo de botones (y
conteo de clases de botones) por el algoritmo y cantidad de botones reales en la cama,
la herramienta informática diseñada se desempeñó con éxito frente a la tarea para la
que estaba destinada. En conteo bruto de botones, el bajo error obtenido es indicativo
de la funcionalidad del algoritmo de segmentación, adicionalmente rendimiento del
conteo de elementos por cada clase indica que la selección del método de clasificación
realizada también resultó pertinente para la tarea establecida. Se considera que para
trabajos futuros, la aplicación de visión estereoscópica a mayor resolución podría
incrementar el porcentaje de acierto del algoritmo tal como ocurrió en la prueba
realizada con la resolución al 50%.
- Siguiendo el modelo para realizar la estimación que se utiliza en el cultivo, se
escalaron los valores obtenidos por el algoritmo para que representaran el 10% de la
producción en el bloque asignado. La selección del método de clasificación y la
naturaleza de los datos a implementar influenció en gran medida los resultados de la
estimación obtenida. Comparando el rendimiento para distintas alternativas de
agrupación y clasificación con datos tratados mediante diferentes técnicas, se
seleccionó la alternativa de k-vecinos más cercanos para datos con tratamiento de
potencia en sus componentes de enmallado, con normalización y PCA en principales
componentes.
- La evaluación de las estimaciones obtenidas se realizó con respecto a las
producciones reales y las estimaciones respectivas que se tienen en el cultivo. Se
encontró que el método empleado en el proyecto brinda resultados más exactos que
la estimación tradicional desarrollada en el cultivo, siendo una medida viable ante la
problemática identificada del proyecto.
136
11. RECOMENDACIONES Y TRABAJOS FUTUROS
● Evaluar la posibilidad de usar enmallados más cortos de modo que las características de color reales del botón puedan ser más fácilmente evidenciadas por el algoritmo.
● Realizar labores de limpieza de enmallados que se encuentren en la cama, previo al
protocolo de adquisición de imágenes de modo tal que se disminuya el porcentaje de falsos positivos.
● Evaluar la posibilidad de aplicar el algoritmo en otras variedades de rosa presente en
las fincas que hagan uso de enmallado.
● Escalar la predicción usando 10 camas piloto de modo tal que se puedan obtener
resultados respecto al 100% de la producción real.
● Considerar los grados-día y su influencia en el desarrollo de los botones florales.
● Implementar un vehículo aéreo no tripulado (drone) con el fin de disminuir el tiempo
de adquisición de imágenes y evitar limitaciones espaciales o estructurales.
11.1. Entregables a la empresa
● Algoritmo realizado consistente en los scripts de ejecución para la estimación
empleando visión estereoscópica y sin ésta. Adicionalmente se comparten
todas las funciones realizadas para el funcionamiento del mismo.
● Objeto virtual de calibración en el que se almacenaron los parámetros del
montaje estereoscópico. Este es indispensable para la rectificación de
imágenes.
● Estructura realizada para la adquisición de imágenes siguiendo el protocolo
establecido. Se comparten los planos para el ensamblaje de la misma y la
adquisición de repuestos en caso de daños en alguna de las piezas.
● Cámaras seleccionadas para la adquisición de imágenes. La estructura se
diseñó teniendo en mente el acople de las mismas, de igual manera el objeto
de calibración desarrollado se realizó para el montaje estereoscópico que las
implementa.
● Documento de proyecto de grado a manera de informe del trabajo realizado y
de recomendaciones y trabajos futuros identificados.
137
12. PRESUPUESTO
12.1. PRESUPUESTO INICIAL
Tabla 34. Presupuesto estipulado
RUBRO DETALLE VALOR (COP)
Papelería Material necesario para la presentación de avances y
de la entrega final.
$50.000.00
Artículos de
referencia
Antecedentes entre otros archivos que pueden apoyar
el desarrollo del proyecto se encuentran bloqueados
por suscripciones pagas.
$50.000.00
Software de
programación
Licencias correspondientes a los programas
requeridos para la escritura de código
(Software libre)
Dispositivo para
la captura de
imágenes
Dispositivo mediante el cual se obtienen las imágenes
a procesar.
$2’000.000.00
Dispositivo para
la estabilización
en captura de
imágenes
Dispositivo que permite disminuir perturbaciones
asociadas al movimiento del dispositivo de captura de
imágenes.
$200.000.00
Equipos (Uso) Equipo para la programación del software de
procesamiento de imágenes por alquiler o renta del
mismo.
$100.000.00
Materiales
adicionales
Repuestos necesarios para el sistema en desarrollo. $200.000.00
Salidas de
campo
Fondos requeridos para el transporte hacia el sector
del cultivo.
$100.000.00
Total $2’700.000.00
138
12.2. PRESUPUESTO EJECUTADO
Tabla 35. Presupuesto gastado
RUBRO DETALLE VALOR (COP)
Papelería y transporte Material necesario para la presentación de avances y
de la entrega final. Material impreso para apoyar el
seguimiento del trabajo realizado (ver anexos).
Fondos necesarios para el desplazamiento hacia la
zona de trabajo.
$100.000.00
Electrónicos
adicionales
Sensores empleados para la toma de datos de
variables ambientales del cultivo.
$8.000.00
Dispositivo para la
captura de imágenes
Dispositivo mediante el cual se obtienen las
imágenes a procesar.
$ 1’220.000.00
Materiales adicionales Material y mano de obra requeridos para la
construcción de la estructura de soporte.
$200.000.00
Desplazamiento del
soporte
Ruedas sobre las que se desplaza la estructura. $40.000.00
Total $1’568.000.00
139
13. REFERENCIAS
❖ Abrahão, S., Pinto, F., Queiroz, D., Santos, N., & Carneiro, J. (2013). Determination of
nitrogen and chlorophyll levels in bean-plant leaves by using spectral vegetation bands
and indices. Revista Ciência Agronômica, 44(3), 464-473.
http://dx.doi.org/10.1590/s1806-66902013000300007
❖ ASOCOLFLORES. (2015). Boletín Estadístico. Bogotá D.C.: Dirección Económica y
Logística.
❖ Arboleda, J. (2009). MODELO DE PROYECCIÓN DE LA PRODUCCIÓN DE ROSAS,
BASADO EN LAS CURVAS DE CRECIMIENTO DE LAS PLANTAS. Universidad De
La Salle.
❖ Armstrong, L., & Saxena, L. (2014). A survey of image processing techniques for
agriculture.W.A. Australian Society of Information and Communication Technologies in
Agriculture, 401-413.
❖ Avalos, I. (2010). Algoritmos computacionales. [online] Universidad Autónoma de
Nayarit. Available at: http://correo.uan.edu.mx/~iavalos/FP/FP1.html [Accessed 3 Mar.
2018].
❖ Barreiro, P., Correa, C., Diago, M., Millán, B., Tardaguila, J. & Valero, C.(2012).
Grapevine yield and leaf area estimation using supervised classification methodology
on RGB images taken under field conditions. Sensors, 12(12), 16988-17006.
❖ Bay, H., Tuytelaars, T., & Gool, L. V. (2006). SURF: Speeded Up Robust Features.
Zurich: ETH Zurich.
❖ Bear, J. (2017). HSV Color Model. Computer Science, 1-4.
❖ Borgefors, G. (2010). Distance Transformations in Digital Images. Computer Vision,
344-371.
❖ Cámara de Comercio de Bogotá. (2017). CERTIFICADO DE EXISTENCIA Y
REPRESENTACIÓN LEGAL O INSCRIPCIÓN DE DOCUMENTOS (pp. 1-3).
BOGOTÁ.
❖ Cámara de Comercio de Bogotá. (2015). Manual Flores y Follajes. Obtenido de
Cámara de Comerico de Bogotá:
http://bibliotecadigital.ccb.org.co/bitstream/handle/11520/14311/Flore
Follajes.pdf?sequence=1
❖ Camilo Andrés Cáceres Flórez, O. L. (2015). Procesamiento de imágenes para
reconocimiento de daños causados por plagas en el cultivo de Begonia semperflorens
(flor de azúcar). Universidad Nacional.
❖ Canon. (2006). Tecnicas Fotograficas. Tokyo: Canon INC.
❖ CENIFLORES. (2017, August 14). PROGRAMAS Y PROYECTOS DE
INVESTIGACIÓN. Retrieved from: http://www.ceniflores.org/investigacion
❖ Chatzichristofis, S., & Boutalis, Y. (2008). CEDD: Color and Edge Directivity Descriptor.
A Compact Descriptor for Image Indexing and Retrieval . Springer-Verlag Berlin
Heidelberg, 312-322.
❖ Cleland, E. E., Chuine, I., Menzel, A., Mooney, H. A., & Schwartz, M. D. (2007). Shifting
plant phenology in response to global change. Trends in ecology & evolution, 22(7),
357-365.
❖ Comisión Económica de las Naciones Unidas para Europa (UNECE). (2017). UN/ECE
STANDARD H-3 - FRESH CUT UNIFLORAL ROSES (pp. 1-5). Ginebra: Comisión
Económica de las Naciones Unidas para Europa, CEPE (UNECE.
❖ CORPOICA. (2015). MISIÓN PARA LA TRANSFORMACIÓN DEL CAMPO. Bogotá
140
D.C: DNP.
❖ Costa, A., Pôças, I., & Cunha, M. (2016). Estimating the Leaf Area of Cut Roses in
Different Growth Stages Using Image Processing and Allometrics. Horticulturae, 2(3),
6. http://dx.doi.org/10.3390/horticulturae2030006
❖ Dalal, J., Meena, M. S., & Singh, P. P. (2015). PERSON IDENTIFICATION IN A
GROUP PHOTOGRAPH USING SURF FEATURES. International Journal of
Innovations & Advancement in Computer Science, 13-17.
❖ Dambre, P., Blindeman, L., & Labeke, V. (2000). EFFECT OF PLANTING DENSITY
AND HARVESTING METHOD ON ROSE FLOWER PRODUCTION. Destelbergen.
❖ Departamento Administrativo Nacional de Estadística. (2011). Censo de Fincas
Productoras de Flores. Cundinamarca: Dirección de Regulación, Planeación,
Estandarización y Normalización.
❖ Departamento Administrativo Nacional de Estadística. (2014). Censo Nacional
Agropecuario - Novena entrega de resultados 2014. Bogotá D.C.: Departamento
Administrativo Nacional de Estadística.
❖ Departamento Nacional de Planeación.(2014). Misión para la transformación del
campo. Bogotá D. C. Departamento Nacional de Planeación.
❖ Duggal, V., Sukhwani, M., Bipin, K., Reddy, S., & Krishna, M. (2016). Plantation
Monitoring and Yield Estimation using Autonomous Quadcopter for Precision
Agriculture. International Conference on Robotics and Automation (ICRA) (págs. 1-7).
Stockholm: IEEE.
❖ Escué, J. S. (2014). Bundling interest points for object classification. Barcelona:
Universidad Politécnica de Cataluña.
❖ Fajardo, J. C. (2014). Apoyo a la Agricultura de Precisión en Colombia a partir de
imágenes adquiridas desde Vehículos Aéreos no Tripulados (UAV’s). Bogotá D.C.:
Pontificia Universidad Javeriana.
❖ Fisher, Robert B., et al. Dictionary of Computer Vision and Image Processing, John
Wiley & Sons, Incorporated, 2013. ProQuest Ebook Central.
❖ Flórez, C. A., Sandoval, O. L., & Hurtado, D. A. (2015). Procesamiento de imágenes
para reconocimiento de daños causados por plagas en el cultivo de Begonia
semperflorens (flor de azúcar). Acta Agronómica, 273 - 279.
❖ FLORYCULTURA. (2015). Colombia tierra de flores. Colombia: Cincuenta años
haciendo país.
❖ García, E., & Osuna, R. (s.f.). Universidad Nacional de Educación a Distancia.
Obtenido de Universidad Nacional de Educación a Distancia:
http://www2.uned.es/personal/rosuna/resources/photography/ImageQuality/fundame
ntos.imagen.digital.pdf
❖ Goh, T. Y. (2018). Performance analysis of image thresholding: Otsu technique.
ScienceDirect, 298-307.
❖ González, R., & Woods, R. (2008). Digital image processing (3rd ed.). New York, NY:
Pearson.
❖ Gonzalez, R., Woods, R. and Eddins, S. (2011). Digital Image processing using
MATLAB. 2nd ed. [S.I.]: Gatesmark Publishing.
❖ Grupo Andes Farms. (2017). ¿Quiénes somos?. Retrieved 6 September 2017, from
http://grupoandes.com/es/quienes-somos
❖ Guo, W., Fukatsu, T., & Ninomiya, S. (2015). Automated characterization of flowering
dynamics in rice using field-acquired time-series RGB images. Plant Methods, 11(1),
7. http://dx.doi.org/10.1186/s13007-015-0047-9
141
❖ Han, Y., Virupakshappa, K., Vitor, E., Pinto, S., & Oruklu, E. (2015).
Hardware/Software Co-Design of a Traffic Sign Recognition System Using Zynq
FPGAs. Electronics, 1062-1089.
❖ Hetal, M. (2014). A Review on Otsu Image Segmentation Algorithm. IJARCET, 1-3.
❖ Horton, R., Cano, E., Bulanon, D., & Fallahi, E. (2017). Peach Flower Monitoring Using
Aerial Multispectral Imaging. Journal of Imaging, 3(1), 2.
❖ Ibraheem, N. A., Hasan, M. M., Khan, R. Z., & Mishra, P. K. (2012). Understanding
color models: a review. ARPN Journal of science and technology, 2(3), 265-275.
❖ Jackson, W. (2015). The Color of Digital Imaging: Color Theory. En W. Jackson, Digital
Imaging (págs. 23-29). United States: APRESS.
❖ J3Corp. (2016). J3Corp. Obtenido de Consultoría y Laboratorios en Ambiente,
Seguridad y Salud Ocupacional, Agro y Alimentos: http://j3corp.net/wp-
content/uploads/2016/04/Impacto-de-la-Calidad-del-Suelo-Sobre-la-Calidad-
Ambiental.pdf
❖ Juan, L., & Gwun, O. (2009). A Comparison of SIFT, PCA-SIFT and SURF.
International Journal of Image Processing (IJIP) , 143-152.
❖ Kaur, A. (2012). Comparison between YCbCr Color Space and CIELab Color Space
for Skin Color Segmentation. IJAIS, 30-33.
❖ Kelman, E., & Linker, R. (2014). Vision-based localisation of mature apples in tree
images using convexity. Biosystems Engineering, 118, 174-185.
http://dx.doi.org/10.1016/j.biosystemseng.2013.11.007
❖ Martínez, M. M. (2010). Técnicas de visión estereoscópica para determinar la
estructura tridimensional de la escena . Madrid: Universidad Complutense de Madrid.
❖ Marmolejo. (2006). Manual de la Norma Internacional Contable. Bogotá: Contaduría
Pública.
❖ MATLAB. (s.f.). MathWorks. Obtenido de MathWorks:
https://la.mathworks.com/help/images/ref/bwareaopen.html#description
❖ Mulla, D. (2013). Twenty five years of remote sensing in precision agriculture: Key
advances and remaining knowledge gaps. Biosystems Engineering, 114(4), 358-371.
http://dx.doi.org/10.1016/j.biosystemseng.2012.08.009
❖ MvTec Software GmbH. (2015). HALCON the power of machine vision. München:
MVTec Software GmbH.
❖ Objetivo Imaginario. (22 de Noviembre de 2015). Objetivo Imaginario. Obtenido de
Objetivo Imaginario: http://objetivoimaginario.com/el-zum-del-flash-de-mano/
❖ Platero, C. (2009). Universidad Politécnica de Madrid. Obtenido de Universidad
Politécnica de Madrid:
http://www.elai.upm.es/webantigua/spain/Asignaturas/Robotica/ApuntesVA/cap6VAP
rocMorf.pdf
❖ Proexport Colombia. (2015). Colombia Land of Flowers - Directorio Proexport. Bogotá.
Retrieved from
http://www.colombiatrade.com.co/sites/default/files/directorio_FlowerExpo_English_r
ed.pdf
❖ Profundidad de campo. (22 de Julio de 2015). Profundidad de campo. Obtenido de
Profundidad de campo:
http://profundidaddecampoo.blogspot.com.co/2015/07/consejos-profundidad-de-
campo.html
❖ Quirós, M. (2001). La floricultura en Colombia en el marco de la globalización:
Aproximaciones hacia un análisis micro y macroeconómico. Revista Universidad
142
EAFIT, 59-68.
❖ Pierre, F. (2014). Exemplar-based colorization in RGB color space. IEEE, 1-5.
❖ RAGHUNATH, B. B. (2014). ECONOMIC ANALYSIS OF PRODUCTION AND
MARKETING OF ROSES IN SANGLI DISTRICT OF MAHARASHTRA. RAHURI:
MAHATMA PHULE KRISHI VIDYAPEETH.
❖ Rodríguez, W., & Flórez, V. (2006). Comportamiento fenológico de tres variedades de
rosas rojas en. Agronomía Colombiana, 247-257.
❖ Rublee, E., Rabaud, V., Konolige, K., & Bradski, G. (2011). ORB: an efficient
alternative to SIFT or SURF . IEEE International Conference on Computer Vision
(págs. 2564-2571). Menlo Park: IEEE.
❖ Russ, J. (2008). THE IMAGE PROCESSING. En J. Russ, THE IMAGE PROCESSING
(págs. 607-610). United Stated: CRC Press.
❖ Salgado, D. Pruebas de normalidad. Estadística inferencial. Recuperado el 5 de Marzo
de 2018, from: http://www.estadisticacondago.com/images/estadistica_
inferencial/pruebas%20de%20normalidad.pdf
❖ Secretaria del campo. (2016). Cultivo de Rosas. Colombia: COLFLOR.
❖ Sierraflowerfinder. (s.f.). Sierraflowerfinder. Obtenido de Multiflora:
http://www.sierraflowerfinder.com/en/d/freedom/3876
❖ Soille, P. (2004). Morphological Image Analysis. Berlin: Springer.
❖ Sonka, M. (2013). Image Processing, Analysis and Machine Vision. United States:
CENGAGE Learning.
❖ Superintendencia de Industria y Comercio. (2014). Tecnologías relacionadas con
invernaderos para flores. Bogotá D.C.: Pontificia Universidad Javeriana.
❖ Superintendencia de Sociedades. (2016). Desempeño del sector floricultor (pp. 4-21).
Bogotá D.C.: Superintendencia de Sociedades.
❖ Tian, L. (2015). A Method of Two-Dimensional Otsu Image Threshold Segmentation
Based on Improved Firefly Algorithm . IEEE, 1-5.
❖ Tellaeche, A., Burgos-Artizzu, X., Pajares, G., Ribeiro, A., & Fernández-Quintanilla, C.
(2008). A new vision-based approach to differential spraying in precision agriculture.
Computers And Electronics In Agriculture, 60(2), 144-155.
http://dx.doi.org/10.1016/j.compag.2007.07.008
❖ The University of Edinburgh. (29 de Octubre de 1997). The University of Edinburgh.
Obtenido de The University of Edinburgh:
http://homepages.inf.ed.ac.uk/rbf/CVonline/LOCAL_COPIES/OWENS/LECT2/node3.
html
❖ Torres, L. A., & Forero, D. C. (2009). Análisis de los sistemas de captura y
procesamiento de información para la toma de decisiones en el manejo de los insectos
defoliadores de la palma de aceite en Colombia. PALMAS, 53-67.
❖ Universidad Nacional de San Juan. (2015). Universidad Nacional de San Juan.
Obtenido de Universidad Nacional de San Juan:
ftp://ftp.unsj.edu.ar/agrimensura/Fotogrametria/Unidad4/VISION-ESTEREO.pdf
❖ Varcarcel, R. (6 de Septiembre de 2017). Detalles de la estimación productiva en el
cultivo Flores de los Andes. (M. A. Amézquita, H. Bermúdez, & B. A. Valencia,
Entrevistadores).
❖ VILA, J. J. (2009). MODELO DE PROYECCIÓN DE LA PRODUCCIÓN DE ROSAS,
BASADO EN LAS CURVAS DE CRECIMIENTO DE LAS PLANTAS. Bogotá :
UNIVERSIDAD DE LA SALLE.
143
❖ Velásquez, G. H. (3 de Abril de 2013). La contabilidad agrícola en Colombia. Obtenido
de Actualícese: http://actualicese.com/opinion/la-contabilidad-agricola-en-colombia-
gustavo-horacio-velasquez-c/
❖ Woods, R. (2007). Object Recognition. En R. Woods, Digital Image Processing