ES2550903B1 - 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
ES2550903B1
ES2550903B1 ES201500551A ES201500551A ES2550903B1 ES 2550903 B1 ES2550903 B1 ES 2550903B1 ES 201500551 A ES201500551 A ES 201500551A ES 201500551 A ES201500551 A ES 201500551A ES 2550903 B1 ES2550903 B1 ES 2550903B1
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.)
Active
Application number
ES201500551A
Other languages
English (en)
Other versions
ES2550903A1 (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

DESCRIPCION
Procedimiento para la estimacion automatica de la porosidad del vinedo mediante vision 5 artificial.
Obieto de la invencion
La presente invencion se refiere a un procedimiento no invasivo que permite estimar de 10 forma automatica, y sin empleo de un testigo manual, la porosidad del vinedo mediante vision artificial.
La presente invencion resulta de gran interes para el sector vitivinicola en general, y especialmente para la gestion del cultivo y mejora de la calidad de uva.
15
Generalidades v estado de la tecnica anterior mas proximo
La superficie foliar expuesta de la vid es uno de los parametros mas importantes a controlar en la produccion de uva de la mas alta calidad. El manejo optimo de la 20 superficie foliar expuesta busca encontrar el equilibrio entre la maxima captura de radiacion solar para optimizar la fotosintesis y la existencia de huecos que permitan el flujo de aire y la adecuada exposicion de los frutos.
El numero de capas foliares determina la eficiencia en la captacion de la radiacion de la 25 planta, ya que cada hoja absorbe en tomo al 94% de la radiacion incidente fotosinteticamente activa [1] por lo que sucesivas capas foliares van a recibir una proporcion muy reducida de la misma, siendo esta inferior al 1% en la tercera capa o posteriores. Esta reduccion en la radiacion recibida provoca que esas hojas no sean fotosinteticamente activas, por lo que la planta ha de gastar recursos en mantenerlas, que 3 0 no seran utilizados en la maduracion de la uva.
La optimizacion de la superficie foliar de la vid se puede llevar a cabo con diversas estructuras que dividen la pared vegetal mediante sistemas de conduccion [1], regulando el riego de forma que se controle el crecimiento de los pampanos [2] o mediante el
3 5 deshojado manual o mecanizado [3,4]. La configuracion foliar ideal es la que tiene entre
1 y 1,5 capas foliares y un porcentaje de huecos situado entre el 20% y el 40% [5], lo que garantiza la adecuada captura de la radiacion solar reduciendo al mismo tiempo las sombras.
4 0 La presencia de huecos en la pared vegetal del vinedo es importante para favorecer la
aireacion del fruto, ya que una deficiente aireacion favorece las infecciones fungicas [6, 7]. En las variedades tintas, la exposicion a la radiacion solar induce la sintesis de antocianos [4,8], compuestos clave en el vino de alta calidad. Sin embargo la exposicion excesiva de los racimos puede generar quemaduras en los mismos y reduccion de calidad 45 en el color de la uva [9,10]. Optimizar la captura de la radiacion solar por parte de las
hojas y a la vez la exposition de los racimos es uno de los retos de la viticultura a nivel mundial; la diversidad de climas con diferentes regimenes de lluvia y temperatura requieren de diferentes estrategias para maximizar la calidad.
5 El metodo mas utilizado para determinar la porosidad de la superficie foliar es el “Point Quadrat Analysis” (PQA) [1]. Esta tecnica se basa en la utilization de una vara de prueba que se inserta a intervalos regulares en la pared o dosel vegetativo del vinedo. Contando el numero de veces y partes de la vid con la que la punta de prueba entra en contacto (hojas, racimos, pampanos o huecos) se obtiene la proportion de los diferentes 10 elementos. La porosidad del vinedo puede cuantificarse como la division del numero de huecos dividido entre el total de las inserciones del testigo. Se recomienda un minimo de 50 pasadas para identificar adecuadamente la porosidad [1]. El PQA requiere gran cantidad de mano de obra v tiempo para ser llevado a cabo en un numero limitado de cepas, por lo que su uso en la industria viticola es reducido. La realization de la prueba 15 completa con 50 inserciones requiere de diez a quince minutos para completarse, por lo que el numero de cepas evaluadas por unidad de tiempo es limitado. Para conseguir mayor implantation entre los viticultores y la industria es necesario encontrar un metodo que permita la estimation de la porosidad de la pared vegetativa de una manera mas rapida.
20
Aunque por los condicionantes descritos anteriormente no es ampliamente utilizado, el PQA es el estandar en viticultura a nivel mundial. Un metodo mas rapido y sencillo para evaluar la porosidad de la pared vegetativa de la cepa permitiria 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 metodos disponibles sobre la evaluation de la porosidad del vinedo utilizando el analisis de imagen.
3 0 La ventaja tecnica de la presente invention es la de un procedimiento no invasivo, que
permite determinar de forma automatica la porosidad de una cepa mediante vision artificial.
Referencias biblioeraficas 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 0 amount of irrigation: 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 EnolVitic 61:372-381 (2010).
[4] Tardaguila J, Blanco J, Poni S and Diago M, Mechanical yield regulation in winegrapes: comparison of early defoliation and crop thinning. Aust J Grape Wine Res 18:344-352(2012).
5
[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, Microclimates of grapevine canopies 10 associated with leaf removal and control of Botrytis bunch rot. Phytopathology 79:395401 (1989).
[7] Diago MP, Vilanova M and Tardaguila J, Effects of timing of manual and mechanical early defoliation on the aroma of Vitis vinifera L. Tempranillo wine. Am J Enol Vitic
15 61:382-391 (2010).
[8] Diago MP, Ayestaran B, Guadalupe Z, Garrido A and Tardaguila J, Phenolic composition of Tempranillo wines following early defoliation of the vines. J Sci Food Agric 92:925-934 (2012).
[9] Kliewer WM, Influence of temperature, solar radiation and nitrogen on coloration and composition of Emperor grapes. Am J Enol Vitic 28:96-103 (1977).
[10] Mori K, Goto-Yamamoto N, Kitayama M and Hashizume K, Loss of anthocyanins 25 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 description de las figuras
20
30
Glosario de referencias
40 (14) (15)
35
(0)
(1)
(10)
(11)
(12)
(13)
Procedimiento para la obtencion manual de la porosidad.
Procedimiento para la estimation automatica de la porosidad del vinedo mediante vision artificial.
Cepa.
Camara digital.
Fondo.
Imagen RGB original.
Imagen con la seleccion de la region productiva de la cepa.
Imagen con la seleccion de la cepa segmentada en sus clases constitutivas (hojas, racimos, madera y huecos).
Imagen binaria clasificada.
Figura 1 (Fig.l).- muestra una configuration esquematica de la ubicacion de una camara 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 segun el estado de la tecnica actual (0) y segun la presente invention (1). El estado de la tecnica actual se encuentra reflejado mediante linea de trazos discontinuos, mientras que el flujo de acuerdo a la presente invencion se muestra mediante linea de trazo continuo.
10 Figura 3 (Fig.3).- muestra un conjunto de imagenes (14,15,16) obtenidas al aplicar el procedimiento que preconiza la invencion (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 selection de la region productiva de la
15 cepa (14).
En Fig.3C puede verse una imagen con la selection de la cepa segmentada (15)
en sus clases constituyentes (hojas, racimos, pampanos o huecos).
En Fig.3D puede verse una imagen binaria clasificada (16).
2 0 Figura 4 (Fig.4).- muestra un grafico, 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 ", asi como la correlation lineal entre dichos valores.
25 Description detallada de la invencion v exposition de un modo de realization preferente de la invencion
La presente invencion permite determinar la porosidad de la pared o dosel vegetativo del vinedo. Es decir, permite evaluar el porcentaje de huecos de la zona foliar de una 3 0 cepa (10) de forma cuantitativa mediante una solution rapida, precisa y objetiva. La cepa (10) es de una vid tanto de variedad tinta como blanca. El metodo se basa en el analisis de imagen de una fotografia de vid tomada en campo
El procedimiento para la estimation autom&tica de la porosidad del vinedo mediante 35 vision artificial (1) de acuerdo a la presente invencion comprende las etapas o pasos siguientes:
Etapa "a". Capturar una imagen RGB original (13) de una cepa (10) con una camara digital (111 en campo.
40
Se captura una imagen RGB original (13) por cada cepa (10).
Una configuration preferente de la camara digital (11) es la siguiente: situar la camara 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 detras de la fotografiada, y que serian visibles a traves de los huecos de la misma, se utiliza un fondo (12) de color uniforme que contraste con la cepa (10). Este fondo se situara detras de la cepa a fotografiar, permitiendo identificar los huecos por su diferente color. De manera altemativa, tambien se podra evitar la interferencia de la fila 5 posterior mediante la toma de imagenes de manera noctuma, con el uso de una luz calibrada para iluminar unicamente la fila que se encuentra en ffente y no las posteriores. De manera altemativa se utilizaran opticas fotograficas 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 camara digital (11) es la 10 siguiente: una camara Nikon 5300D con objetivo Nikon 16-85 (Nikon Corp., Japan) con la distancia focal adecuada para enfocar la cepa.
Una configuration preferente de los parametros de captura de la camara digital (11) para una luminosidad tipica es: velocidad de obturation 200 ms, sensibilidad ISO 800, 15 enfoque manual y balance de blancos ‘Sunlight’, y una resolution de las imagenes originales 24 mpix.
Etapa "b". Seleccionar en la imagen RGB original (13) la region de la imagen aue corresponda a la zona de production de la cepa (101 para obtener una imagen con 20 la selection de la region productiva de la cepa 114).
La imagen suele contener mas area que la sometida a estudio, por lo que esta debe seleccionarse o se podrian inducir errores en el analisis. La seleccion del area de la imagen la realiza un operador marcando los vertices de la zona a analizar de forma 25 manual.
F.tana ”c”. Segmentar la imagen con la region productiva de la cepa (141 mediante seleccion de semillas para obtener una imagen con la seleccion de la cepa sppmentada U51 con los pixeles aue conforman la cepa (10) v con los one 30 corresponden alfondo (12).
El proceso de identification de los huecos en la zona foliar de la cepa se realiza a partir del analisis 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 segmentation 3 5 por distancia de Mahalanobis [11], que permite agrupar los pixeles 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 seleccion directa sobre la imagen. Esta seleccion solo es necesario realizarla una vez para el total de las imagenes que se pretenden analizar, capturadas bajo condiciones similares de iluminacion.
Etapa "d”. Analizar la imagen con la seleccion 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 clasificacion de los pixeles presentes en region a analizar seleccionada en el paso "c". Los valores de las componentes de color RGB se utilizan para clasificar cada pixel en funcion de la cercania de los mismos a los de las semillas seleccionadas. Se utilizan varios grupos: madera (tronco/pampano), hojas, racimos (si los hubiera) y huecos/fondo.
10
Etapa "e”. Calcular el porcentaie de huecos de la cepa (10).
Se calcula el porcentaje de huecos mediante el cociente entre el numero de pixeles etiquetados como fondo, dividido entre el numero de pixeles que corresponden a la 15 region de interes.
Se determina la correlation lineal existente entre el porcentaje de huecos obtenidos por el metodo invasivo manual de campo, y el porcentaje de huecos estimados en la imagen, obteniendo y = Ax +B, y su R2; siendo A y B los coeficientes de la recta de regresion 20 lineal. A modo de ejemplo no limitativo de la invencion, en la Fig.4, se muestra un grafico de regresion con y=0,979 x-l,115, R2=0,932.
Ventaia tecnica que aporta la invencion
25 Se ha desarrollado un nuevo metodo, basado en el analisis de imagen, para estimar el porcentaje de huecos en la superficie foliar de una cepa. Este nuevo metodo ha sido analizado en varios ensayos viticolas y paises, demostrandose que es un metodo robusto y preciso. El costo relativamente bajo del metodo, su precision, su fiabilidad y la velocidad relativa en comparacion con los metodos de medicion manuales actuales 3 0 hacen que sea una gran altemativa a los metodos tradicionales. Es decir, este metodo puede constituir una nueva herramienta para estimar el porcentaje de huecos del vinedo de una forma rapida, fiable y precisa.
La ventaja tecnica de la presente invencion es la de un procedimiento no invasivo. que 3 5 permite determinar o estimar de forma automatica. la porosidad de una cepa mediante vision artificial.

Claims (2)

  1. 5
    10
    15
    20
    25
    ES 2 550 903 A1
    REIVINDICACIONES
    1. Procedimiento para la estimation automatica de la porosidad del vinedo mediante vision artificial (1), caracterizado porque comprende las etapas siguientes:
    a) Capturar una imagen RGB original (13) de una cepa (10) con una camara digital (11) en campo;
    b) Seleccionar en la imagen RGB original (13) la region de la imagen que corresponda a la zona de production de la cepa (10) para obtener una imagen con la selection de la region productiva de la cepa (14);
    c) Segmentar la imagen con la region productiva de la cepa (14) mediante selection de semillas para obtener una imagen con la selection de la cepa segmentada (15) con los pixeles que conforman la cepa (10) y con los que corresponden al fondo (12);
    d) Analizar la imagen con la selection 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).
  2. 2. Procedimiento segun la reivindicacion 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 ES2550903A1 (es) 2015-11-12
ES2550903B1 true 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)

Cited By (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

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ATE501487T1 (de) * 2004-12-21 2011-03-15 Canon Kk Segmentierung eines digitalen bildes und herstellung einer kompakten repräsentation
ES2470065B2 (es) * 2013-12-18 2014-10-10 Universidad De La Rioja Sistema y procedimiento para determinar automáticamente el número de flores de una inflorescencia
ES2505330B2 (es) * 2014-06-30 2015-04-07 Universitat Politècnica De València Procedimiento para la estimación automática de los componentes de la producción de un racimo de vid mediante visión artificial
ES2523390B2 (es) * 2014-08-22 2015-04-07 Universitat Politècnica De València Procedimiento automático para determinar la compacidad de un racimo de uva en modo continuo, sobre una cinta transportadora sita en bodega

Cited By (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

Also Published As

Publication number Publication date
ES2550903A1 (es) 2015-11-12

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
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
JP2019520632A (ja) 自然環境における雑草の認識
US20210307259A1 (en) Plant growth kinetics captured by motion tracking
Kodani et al. Seasonal patterns of canopy structure, biochemistry and spectral reflectance in a broad-leaved deciduous Fagus crenata canopy
CN108195784B (zh) 一种番茄叶绿素含量多光谱估测方法
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
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
Gulavnai et al. Deep learning for image based mango leaf disease detection
CN106683092B (zh) 测算蓝莓树冠郁闭度的装置和方法
CN114140692A (zh) 基于无人机遥感和深度学习的鲜食玉米成熟度预测方法
ES2550903B1 (es) Procedimiento para la estimación automática de la porosidad del viñedo mediante visión artificial
Payne et al. Machine vision in estimation of fruit crop yield
ES2470065A1 (es) Sistema y procedimiento para determinar automáticamente el número de flores de una inflorescencia
Sandino et al. Method for estimating leaf coverage in strawberry plants using digital image processing
Velázquez-López et al. Detection of powdery mildew disease on rose using image processing with Open CV.
Quirós et al. Potential of low altitude multispectral imaging for in-field apple tree nursery inventory mapping
US20190026547A1 (en) System and Method for Detecting Skin in an Image
Story et al. Automated machine vision guided plant monitoring system for greenhouse crop diagnostics
ES2505330B2 (es) Procedimiento para la estimación automática de los componentes de la producción de un racimo de vid mediante visión artificial
Pellikka Application of vertical skyward wide-angle photography and airborne video data for phenological studies of beech forests in the German Alps
Sánchez-Aguiar et al. Toward the recognition of non-defective coffee beans by means of digital image processing

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