ES2550903A1 - Procedimiento para la estimación automática de la porosidad del viñedo mediante visión artificial - Google Patents

Procedimiento para la estimación automática de la porosidad del viñedo mediante visión artificial Download PDF

Info

Publication number
ES2550903A1
ES2550903A1 ES201500551A ES201500551A ES2550903A1 ES 2550903 A1 ES2550903 A1 ES 2550903A1 ES 201500551 A ES201500551 A ES 201500551A ES 201500551 A ES201500551 A ES 201500551A ES 2550903 A1 ES2550903 A1 ES 2550903A1
Authority
ES
Spain
Prior art keywords
strain
image
selection
porosity
vineyard
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
ES201500551A
Other languages
English (en)
Other versions
ES2550903B1 (es
Inventor
Manuel Javier TARDÁGUILA LASO
Borja MILLÁN PRIOR
María Paz DIAGO SANTAMARÍA
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Universidad de La Rioja
Original Assignee
Universidad de La Rioja
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Universidad de La Rioja filed Critical Universidad de La Rioja
Priority to ES201500551A priority Critical patent/ES2550903B1/es
Publication of ES2550903A1 publication Critical patent/ES2550903A1/es
Application granted granted Critical
Publication of ES2550903B1 publication Critical patent/ES2550903B1/es
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01H—NEW PLANTS OR NON-TRANSGENIC PROCESSES FOR OBTAINING THEM; PLANT REPRODUCTION BY TISSUE CULTURE TECHNIQUES
    • A01H5/00—Angiosperms, i.e. flowering plants, characterised by their plant parts; Angiosperms characterised otherwise than by their botanic taxonomy
    • A01H5/08—Fruits
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01H—NEW PLANTS OR NON-TRANSGENIC PROCESSES FOR OBTAINING THEM; PLANT REPRODUCTION BY TISSUE CULTURE TECHNIQUES
    • A01H6/00—Angiosperms, i.e. flowering plants, characterised by their botanic taxonomy
    • A01H6/88—Vitaceae, e.g. Vitus [grape]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features

Abstract

Procedimiento para la estimación automática de la porosidad del viñedo mediante visión artificial (1), que comprende las etapas siguientes: a) Capturar una imagen RGB original (13) de una cepa (10) con una cámara digital (11) en campo; b) Seleccionar en la imagen RGB original (13) la región de la imagen que corresponda a la zona de producción de la cepa (10) para obtener una imagen con la selección de la región productiva de la cepa (14); c) Segmentar la imagen con la región productiva de la cepa (14) mediante selección de semillas para obtener una imagen con la selección de la cepa segmentada (15) con los píxeles que conforman la cepa (10) y con los que corresponden al fondo (12); d) Analizar la imagen con la selección de la cepa segmentada (15) para identificar los huecos presentes en la misma para obtener una imagen binaria clasificada (16); e) Calcular el porcentaje de huecos de la cepa (10).

Description

Procedimiento para la estimación automática de la porosidad del viñedo mediante visión 5 artificial.
Objeto de la invención
La presente invención se refiere a un procedimiento no invasivo que permite estimar de
10 forma automática, y sin empleo de un testigo manual, la porosidad del viñedo mediante visión artificial.
La presente invención resulta de gran interés para el sector vitivinícola en general, y especialmente para la gestión del cultivo y mejora de la calidad de uva. 15 Generalidades y estado de la técnica anterior más próximo
La superficie foliar expuesta de la vid es uno de los parámetros más importantes a controlar en la producción de uva de la más alta calidad. El manejo óptimo de la
2 O superficie foliar expuesta busca encontrar el equilibrio entre la máxima captura de radiación solar para optimizar la fotosíntesis y la existencia de huecos que permitan el flujo de aire y la adecuada exposición de los frutos.
El número de capas foliares determina la eficiencia en la captación de la radiación de la
25 planta, ya que cada hoja absorbe en tomo al 94% de la radiación incidente fotosintéticamente activa [1] por lo que sucesivas capas foliares van a recibir una proporción muy reducida de la misma, siendo ésta inferior al 1% en la tercera capa o posteriores. Esta reducción en la radiación recibida provoca que esas hojas no sean fotosintéticamente activas, por lo que la planta ha de gastar recursos en mantenerlas, que
3 O no serán utilizados en la maduración de la uva.
La optimización de la superficie foliar de la vid se puede llevar a cabo con diversas estructuras que dividen la pared vegetal mediante sistemas de conducción [1], regulando el riego de forma que se controle el crecimiento de los pámpanos [2] o mediante el
35 deshojado manual o mecanizado [3,4]. La configuración foliar ideal es la que tiene entre 1 y 1,5 capas foliares y un porcentaje de huecos situado entre el 20% yel 40% [5], lo que garantiza la adecuada captura de la radiación solar reduciendo al mismo tiempo las sombras.
4 O La presencia de huecos en la pared vegetal del viñedo es importante para favorecer la aireación del fruto, ya que una deficiente aireación favorece las infecciones fúngicas [6, 7]. En las variedades tintas, la exposición a la radiación solar induce la síntesis de antocianos [4,8], compuestos clave en el vino de alta calidad. Sin embargo la exposición excesiva de los racimos puede generar quemaduras en los mismos y reducción de calidad
45 en el color de la uva [9, 10]. Optimizar la captura de la radiación solar por parte de las hojas y a la vez la exposición de los racimos es uno de los retos de la viticultura a nivel mundial; la diversidad de climas con diferentes regímenes de lluvia y temperatura requieren de diferentes estrategias para maximizar la calidad.
5 El método más utilizado para determinar la porosidad de la superficie foliar es el "Point Quadrat Analysis" (PQ A) [1]. Esta técnica se basa en la utilización de una vara de prueba que se inserta a intervalos regulares en la pared o dosel vegetativo del viñedo. Contando el número de veces y partes de la vid con la que la punta de prueba entra en contacto (hojas, racimos, pámpanos o huecos) se obtiene la proporción de los diferentes
10 elementos. La porosidad del viñedo puede cuantificarse como la división del número de huecos dividido entre el total de las inserciones del testigo. Se recomienda un mínimo de 50 pasadas para identificar adecuadamente la porosidad [1]. El PQA requiere gran cantidad de mano de obra y tiempo para ser llevado a cabo en un número limitado de cepas, por lo que su uso en la industria vitícola es reducido. La realización de la prueba
15 completa con 50 inserciones requiere de diez a quince minutos para completarse, por 10 que el número de cepas evaluadas por unidad de tiempo es limitado. Para conseguir mayor implantación entre los viticultores y la industria es necesario encontrar un método que permita la estimación de la porosidad de la pared vegetativa de una manera más rápida.
20 Aunque por los condicionantes descritos anteriormente no es ampliamente utilizado, el PQA es el estándar en viticultura a nivel mundial. Un método más rápido y sencillo para evaluar la porosidad de la pared vegetativa de la cepa permitiría su uso generalizado y con ello la mejora en el manejo de la superficie vegetativa redundando en una mayor
25 calidad del fruto.
No existen métodos disponibles sobre la evaluación de la porosidad del viñedo utilizando el análisis de imagen.
3 O La ventaja técnica de la presente invención es la de un procedimiento no invasivo, que permite determinar de forma automática la porosidad de una cepa mediante visión artificial.
Referencias bibliográficas 35
[1] Smart RE, Influence of light on composition and quality of grapes. Acta Hort. 206:37-47 (1987).
[2] Intrigliolo DS and Castel JR, Response of grapevine cv. 'Tempranillo'to timing and
4 O amount ofirrigation: water relations, vine growth, yield and berry and wine composition. Irrig Sci 28:113-125 (2010).
[3] Tardaguila J, de Toda FM, Poni S and Diago MP, Impact of early leaf removal on
yield and fruit and wine composition of Vitis vinifera L. Graciano and Carignan. Am J 45 Enol Vitic 61:372-381 (2010).
[4] Tardaguila J, Blanco J, Poni S and Diago M, Mechanical yield regulation in winegrapes: comparison ofearly defoliation and crop thinning. Aust J Grape Wine Res 18:344-352 (2012).
[5] Smart R and Robinson M, Sunlight Into Wine; A Handbook for Winegrape Canopy Management. Winetitles, Adelaide, pp. 88 (1991).
[6] English J, Thomas C, Marois J and Gubler W, Microc1imates of grapevine canopies associated with leaf removal and control ofBotrytis bunch rot. Phytopathology 79:395401 (1989).
[7] Diago MP, Vilanova M and Tardaguila J, Effects oftiming ofmanual and mechanical early defoliation on the aroma of Vitis vinífera L. Tempranillo wine. Am J Enol Vitic 61:382-391 (2010).
[8] Diago MP, Ayestarán B, Guadalupe Z, Garrido Á and Tardaguila J, Phenolic composition of Tempranillo wines following early defoliation of the vines. J Sci Food Agric 92:925-934 (2012).
[9] K1iewer WM, Influence of temperature, solar radiation and nitro gen on coloration and composition ofEmperor grapes. Am J Enol Vitic 28:96-103 (1977).
[10] Mori K, Goto-Yamamoto N, Kitayama M and Hashizume K, Loss ofanthocyanins in red-wine grape under high temperature. J Exp Bot 58: 1935-1945 (2007).
[11] McLachlan G, Mahalanobis distance. Resonance 4:20-26 (1999).
Breve descripción de las figuras
Glosario de referencias
(ID
Procedimiento para la obtención manual de la porosidad.
(!)
Procedimiento para la estimación automática de la porosidad del viñedo
mediante visión artificial.
(10)
Cepa.
(11)
Cámara digital.
(12)
Fondo.
(13)
Imagen RGB original.
(14)
Imagen con la selección de la región productiva de la cepa.
(15)
Imagen con la selección de la cepa segmentada en sus clases constitutivas
(hojas, racimos, madera y huecos).
(16)
Imagen binaria clasificada.
Figura 1 (Fig.l).-muestra una configuración esquemática de la ubicación de una cámara digital (11) para capturar una imagen RGB original (13) de una cepa (10), en condiciones de campo.
5 Figura 2 (Fig.2).-muestra un diagrama de bloques con los flujos de movimiento según el estado de la técnica actual (O) y según la presente invención (1). El estado de la técnica actual se encuentra reflejado mediante línea de trazos discontinuos, mientras que el flujo de acuerdo a la presente invención se muestra mediante línea de trazo continuo.
10 Figura 3 (Fig.3).-muestra un conjunto de imágenes (14, 15, 16) obtenidas al aplicar el procedimiento que preconiza la invención (1) a una imagen RGB original (13).
En Fig.3A puede verse una imagen RGB original (13). En Fig.3B puede verse una imagen con la selección de la región productiva de la
15 cepa (14). En Fig.3C puede verse una imagen con la selección de la cepa segmentada (15) en sus clases constituyentes (hojas, racimos, pámpanos o huecos). En Fig.3D puede verse una imagen binaria clasificada (16).
2 O Figura 4 (Fig.4).-muestra un gráfico, que se presenta a modo de ejemplo, donde se aprecian distintos valores de " % huecos medidos por cepa " frente a sus valores correspondientes de "% huecos estimados por cepa ", así como la correlación lineal entre dichos valores.
2 5 Descripción detallada de la invención y exposición de un modo de realización preferente de la invención
La presente invención permite determinar la porosidad de la pared o dosel vegetativo del viñedo. Es decir, permite evaluar el porcentaje de huecos de la zona foliar de una 3 O cepa (10) de forma cuantitativa mediante una solución rápida, precisa y objetiva. La cepa
(10) es de una vid tanto de variedad tinta como blanca. El método se basa en el análisis de imagen de una fotografia de vid tomada en campo
El procedimiento para la estimación automática de la porosidad del viñedo mediante 35 visión artificial (1) de acuerdo a la presente invención comprende las etapas o pasos siguientes:
Etapa "a". Capturar una imagen RGB original (13) de una cepa (10) con una cámara digital (11) en campo. 40 Se captura una imagen RGB original (13) por cada cepa (10).
Una configuración preferente de la cámara digital (11) es la siguiente: situar la cámara digital (11) a la misma altura que la cepa (10) con el fin de obtener una imagen RGB 45 original (13) de alzado o perfil de la cepa (10). Con el fin de evitar la interferencia de las filas situadas detrás de la fotografiada, y que serían visibles a través de los huecos de la misma, se utiliza un fondo (12) de color uniforme que contraste con la cepa (10). Este fondo se situará detrás de la cepa a fotografiar, permitiendo identificar los huecos por su diferente color. De manera alternativa, también se podrá evitar la interferencia de la fila 5 posterior mediante la toma de imágenes de manera nocturna, con el uso de una luz calibrada para iluminar únicamente la fila que se encuentra en frente y no las posteriores. De manera alternativa se utilizarán ópticas fotográficas configuradas de forma que enfoquen la fila objetivo, desenfocando las filas posteriores, lo que permite su filtrado posterior. Un modelo y distancia focal preferente de la cámara digital (11) es la
10 siguiente: una cámara Nikon 5300D con objetivo Nikon 16-85 (Nikon Corp., Japan) con la distancia focal adecuada para enfocar la cepa.
Una configuración preferente de los parámetros de captura de la cámara digital (11) para una luminosidad típica es: velocidad de obturación 200 ms, sensibilidad ISO 800,
15 enfoque manual y balance de blancos 'Sunlight', y una resolución de las imágenes originales 24 mpix.
Etapa "b". Seleccionar en la imagen RGB original (13) la región de la imagen que corresponda a la zona de producción de la cepa (10) para obtener una imagen con 20 la selección de la región productiva de la cepa (14).
La imagen suele contener más área que la sometida a estudio, por lo que ésta debe seleccionarse o se podrían inducir errores en el análisis. La selección del área de la imagen la realiza un operador marcando los vértices de la zona a analizar de forma
25 manual.
Etapa "c". Segmentar la imagen con la región productiva de la cepa (14) mediante selección de semillas para obtener una imagen con la selección de la cepa segmentada (15) con los píxeles que conforman la cepa (10) y con los que
3 O corresponden al fondo (12).
El proceso de identificación de los huecos en la zona foliar de la cepa se realiza a partir del análisis del color de los diferentes elementos presentes en la imagen. Para diferenciar los elementos presentes en la imagen a partir de su color se ha utilizado la segmentación
35 por distancia de Mahalanobis [11], que permite agrupar los píxeles de la imagen en tomo a un valor, seleccionado como definitorio de ese conjunto. El valor utilizado para generar los grupos se denomina semilla y se obtiene mediante selección directa sobre la imagen. Esta selección solo es necesario realizarla una vez para el total de las imágenes que se pretenden analizar, capturadas bajo condiciones similares de iluminación.
Etapa "d". Analizar la imagen con la selección de la cepa segmentada (15) para identificar los huecos presentes en la misma para obtener una imagen binaria clasificada (16).
5 Utilizando las semillas seleccionadas en el paso "b" se realiza la clasificación de los píxeles presentes en región a analizar seleccionada en el paso "c". Los valores de las componentes de color ROB se utilizan para clasificar cada pixel en función de la cercanía de los mismos a los de las semillas seleccionadas. Se utilizan varios grupos: madera (tronco/pámpano), hojas, racimos (si los hubiera) y huecos/fondo.
Etapa "el!. Calcular el porcentaje de huecos de la cepa (10).
Se calcula el porcentaje de huecos mediante el cociente entre el número de píxeles etiquetados como fondo, dividido entre el número de píxeles que corresponden a la
15 región de interés.
Se determina la correlación lineal existente entre el porcentaje de huecos obtenidos por el método invasivo manual de campo, yel porcentaje de huecos estimados en la imagen, obteniendo y = Ax +B, y su R2; siendo A y B los coeficientes de la recta de regresión
2 O lineal. A modo de ejemplo no limitativo de la invención, en la Fig.4, se muestra un gráfico de regresión con y=O,979'x-l, 115, R2=O,932.
Ventaja técnica que aporta la invención
25 Se ha desarrollado un nuevo método, basado en el análisis de imagen, para estimar el porcentaje de huecos en la superficie foliar de una cepa. Este nuevo método ha sido analizado en varios ensayos vitícolas y países, demostrándose que es un método robusto y preciso. El costo relativamente bajo del método, su precisión, su fiabilidad y la velocidad relativa en comparación con los métodos de medición manuales actuales
3 O hacen que sea una gran alternativa a los métodos tradicionales. Es decir, este método puede constituir una nueva herramienta para estimar el porcentaje de huecos del viñedo de una forma rápida, fiable y precisa.
La ventaja técnica de la presente invención es la de un procedimiento no invasivo, que 35 permite determinar o estimar de forma automática, la porosidad de una cepa mediante visión artificial.

Claims (1)

  1. REIVINDICACIONES
    1.
    Procedimiento para la estimación automática de la porosidad del viñedo
    mediante visión artificial (1), caracterizado porque comprende las etapas
    5
    siguientes:
    a) Capturar una imagen RGB original (13) de una cepa (10) con una cámara
    digital (11) en campo;
    10
    b) Seleccionar en la imagen RGB original (13) la región de la imagen que
    corresponda a la zona de producción de la cepa (10) para obtener una imagen
    con la selección de la región productiva de la cepa (14);
    c) Segmentar la imagen con la región productiva de la cepa (14) mediante
    15
    selección de semillas para obtener una imagen con la selección de la cepa
    segmentada (15) con los píxeles que conforman la cepa (10) y con los que
    corresponden al fondo (12);
    d) Analizar la imagen
    con la selección de la cepa segmentada (15) para
    2 O
    identificar los huecos presentes en la misma para obtener una imagen binaria
    clasificada (16);
    e) Calcular el porcentaje de huecos de la cepa (lO).
    25
    2. Procedimiento según la reivindicación 1, caracterizado porque la cepa (10) es
    de una vid tanto de variedad tinta como blanca.
ES201500551A 2015-07-15 2015-07-15 Procedimiento para la estimación automática de la porosidad del viñedo mediante visión artificial Active ES2550903B1 (es)

Priority Applications (1)

Application Number Priority Date Filing Date Title
ES201500551A ES2550903B1 (es) 2015-07-15 2015-07-15 Procedimiento para la estimación automática de la porosidad del viñedo mediante visión artificial

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
ES201500551A ES2550903B1 (es) 2015-07-15 2015-07-15 Procedimiento para la estimación automática de la porosidad del viñedo mediante visión artificial

Publications (2)

Publication Number Publication Date
ES2550903A1 true ES2550903A1 (es) 2015-11-12
ES2550903B1 ES2550903B1 (es) 2016-06-21

Family

ID=54393245

Family Applications (1)

Application Number Title Priority Date Filing Date
ES201500551A Active ES2550903B1 (es) 2015-07-15 2015-07-15 Procedimiento para la estimación automática de la porosidad del viñedo mediante visión artificial

Country Status (1)

Country Link
ES (1) ES2550903B1 (es)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109297878A (zh) * 2018-08-10 2019-02-01 中国地质大学（武汉） 一种准确计算白云岩孔洞面孔率的方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080123945A1 (en) * 2004-12-21 2008-05-29 Canon Kabushiki Kaisha Segmenting Digital Image And Producing Compact Representation
ES2470065A1 (es) * 2013-12-18 2014-06-20 Universidad De La Rioja Sistema y procedimiento para determinar automáticamente el número de flores de una inflorescencia
ES2505330A1 (es) * 2014-06-30 2014-10-09 Universidad De La Rioja Procedimiento para la estimación automática de los componentes de la producción de un racimo de vid mediante visión artificial
ES2523390A1 (es) * 2014-08-22 2014-11-25 Universidad De La Rioja Procedimiento automático para determinar la compacidad de un racimo de uva en modo continuo, sobre una cinta transportadora sita en bodega

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080123945A1 (en) * 2004-12-21 2008-05-29 Canon Kabushiki Kaisha Segmenting Digital Image And Producing Compact Representation
ES2470065A1 (es) * 2013-12-18 2014-06-20 Universidad De La Rioja Sistema y procedimiento para determinar automáticamente el número de flores de una inflorescencia
ES2505330A1 (es) * 2014-06-30 2014-10-09 Universidad De La Rioja Procedimiento para la estimación automática de los componentes de la producción de un racimo de vid mediante visión artificial
ES2523390A1 (es) * 2014-08-22 2014-11-25 Universidad De La Rioja Procedimiento automático para determinar la compacidad de un racimo de uva en modo continuo, sobre una cinta transportadora sita en bodega

Also Published As

Publication number Publication date
ES2550903B1 (es) 2016-06-21

Similar Documents

Publication Publication Date Title
Wang et al. Automated crop yield estimation for apple orchards
Xiong et al. Visual detection of green mangoes by an unmanned aerial vehicle in orchards based on a deep learning method
Silwal et al. Apple identification in field environment with over the row machine vision system
Liu et al. Estimating leaf area index using unmanned aerial vehicle data: shallow vs. deep machine learning algorithms
Payne et al. Estimating mango crop yield using image analysis using fruit at ‘stone hardening’stage and night time imaging
CN106525732B (zh) 基于高光谱成像技术的苹果内外品质快速无损检测方法
Chen et al. A YOLOv3-based computer vision system for identification of tea buds and the picking point
CN108195784B (zh) 一种番茄叶绿素含量多光谱估测方法
Kodani et al. Seasonal patterns of canopy structure, biochemistry and spectral reflectance in a broad-leaved deciduous Fagus crenata canopy
CN115082815B (zh) 基于机器视觉的茶芽采摘点定位方法、装置及采摘系统
CN109308702A (zh) 一种目标实时识别定位方法
CN114821321A (zh) 一种基于多尺度级联卷积神经网络的叶片高光谱图像分类和回归方法
CN110210292A (zh) 一种基于深度学习的目标识别方法
CN106683092B (zh) 测算蓝莓树冠郁闭度的装置和方法
ES2550903B1 (es) Procedimiento para la estimación automática de la porosidad del viñedo mediante visión artificial
Wouters et al. Hyperspectral waveband selection for automatic detection of floral pear buds
CN111753834B (zh) 基于深度神经网络的种植地块结构语义分割方法和装置
Payne et al. Machine vision in estimation of fruit crop yield
CN107529726A (zh) 检查装置、检查方法和程序
ES2470065A1 (es) Sistema y procedimiento para determinar automáticamente el número de flores de una inflorescencia
Sáiz-Rubio et al. Dynamic segmentation to estimate vine vigor from ground images.
De Silva et al. Plant disease detection using deep learning on natural environment images
ES2341696B1 (es) Metodo de caracterizacion de vegetacion.
CN102621075A (zh) 一种水稻抽穗期自动检测的方法
Wang et al. Design of crop yield estimation system for apple orchards using computer vision

Legal Events

Date Code Title Description
FG2A Definitive protection

Ref document number: 2550903

Country of ref document: ES

Kind code of ref document: B1

Effective date: 20160621