Técnicas de Visión Computacional para determinar el estado fitosanitario en plantaciones de brócoli

  • Darwin Caina Universidad Central del Ecuador
  • René Carillo Universidad Central del Ecuador
  • Marcelo Carrillo Laboratorios Siegfried S.A
Palabras clave: Visión computacional, brócoli, procesamiento de imágenes, OpenCV, HSV

Resumen

La demanda de brócoli se ha incrementado notablemente en las últimas décadas debido a los benefcios que el consumo de este producto ofrece para la salud humana. Esto plantea nuevos retos para los productores, quienes cada vez más se apoyan en la tecnología para mejorar sus procesos productivos, incrementar los rendimientos y con ello satisfacer la demanda actual. Uno de los campos de la tecnología que ha cobrado interés en la producción agrícola es la aplicación de modelos de Visión Computacional, la cual puede proporcionar soporte y asistencia en la producción de alimentos. En este trabajo se propone un algoritmo basado en la detección de color del brócoli, el cual, a nivel “macro”, sea capaz de identifcar problemas ftosanitarios en plantaciones de brócoli; y, a nivel “micro”, pueda ser empleada para identifcar el producto apto para la comercialización y el consumo. El desarrollo del algoritmo utiliza herramientas de software libre, como OpenCV y Python, lo cual refleja que estas herramientas pueden ser desarrolladas a bajo costo; y que sus resultados son similares o superiores a los obtenidos con softwares comerciales.

Descargas

La descarga de datos todavía no está disponible.

Biografía del autor/a

Darwin Caina, Universidad Central del Ecuador

Facultad de Ingeniería, Ciencias Físicas y Matemática. Alejandro Valdez y Av. La Gasca s/n. Ciudadela Universitaria, 17052, Quito, Ecuador

René Carillo, Universidad Central del Ecuador

Facultad de Ingeniería, Ciencias Físicas y Matemática. Alejandro Valdez y Av. La Gasca s/n. Ciudadela Universitaria, 17052, Quito, Ecuador

Marcelo Carrillo, Laboratorios Siegfried S.A

Departamento de Calidad y Logística. Av. República del Salvador N34-493 y Portugal, Quito, Ecuador

Citas

Bajaj, D., & Sharma, S. (2014). A Survey of Machine Vision Techniques for Fruit Sorting and Grading. International Journal of Engineering Research & Technology, 3(7), 1187-1193.

Biswas, H., & Hossain, F. (2013). Automatic Vegetable Recognition System. International Journal of Engineering Science Invention, 2(4), 377-41.

Bradski, G., & Kaehler, A. (2008). Learning OpenCV. Sebastopol, California (USA): O’Reilly Media, Inc.

Dji. (2017). Phantom 3 Professional Specs. Recuperado de: http://www.dji.com/phantom-3-pro/ info# specs.

Fernández, D., Escarabajal, D., Ruiz, A., Conesa, J., & Molina, J. (2013). A digital image-processing-based method for determining the crop coeffcient of lettuce crops in the southeast of Spain. Biosystems engineering , 117, 23-34.

Hamachi, T., Tanabe, H., & Yamawaki, A. (2013). Development of a Generic RGB to HSV Hardware. Proceedings of the 1st International Conference on Industrial Applications Engineering, Kitakyushu, Japan.

Huddar, S., Gowri, S., Keerthana, K., Vasanthi, S., & Rupanagudi, S. (2012). Novel algorithm for segmentation and automatic identifcation of pests on plants using image processing. Computing Communication & Networking Technologies (ICCCNT).

Howe, J. (2013). OpenCV Computer Vision with Python. Birmingham: Packt Publishing Ltd.

Kehr, M., & Díaz, P. (2012). Producción de Brócoli para la Agroindustria. Temuco, Chile. Recuperado de: http://www2.inia.cl/medios/biblioteca/informativos/NR38925.pdf.

Latoschik, M. (2006). Color Models. Recuperado de: https://www.techfak.uni bielefeld.de/ ags/wbski/lehre/digiSA/WS0607/3DVRCG/Vorlesung/8a.RT3DCGVR-color.pdf

MCCTH. (2017). Decreto Ejecutivo N° 1014. Quito-Ecuador: Ministerio Coordinador de Conocimiento y Talento Humano Recuperado de: https://softwarelibre.conocimiento.gob.ec/documentos-tecnicos/decreto-1014/

Ramer, U. (1972). An Iterative Procedure for the Polygonal Approximation of Plane Curves. Computer Graphics and Image Processing, 1, 244-256.

Santoyo, J., & Martínez, C. (2011). Tecnología de producción de brócoli. Sinaloa, México: Fundación Produce Sinaloa A.C. Recuperado de: http://www.fps.org.mx/portal/index.php/component/phocadownload/category/35-otros?download=171:tecnologia-de-produccion-de-brocoli.

Szeliski, R. (2011). Computer Vision: Algorithms and Applications. London: Springer.

Wilhoit, J., Byler, R., Koslav, M., & Vaughan. (1990). Broccoli Head Sizing Using Image Textural Analysis. Transactions of th ASAE, 33(5), 1736-1740.

Publicado
2017-12-07
Cómo citar
Caina, D., Carillo, R., & Carrillo, M. (2017). Técnicas de Visión Computacional para determinar el estado fitosanitario en plantaciones de brócoli. Siembra, 4(1), 51-58. Recuperado a partir de http://revistadigital.uce.edu.ec/index.php/SIEMBRA/article/view/499
Sección
Agronomía