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

[email protected]

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 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 85. Histogramas canal H




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 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 109. Orientación y eje mayor


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 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 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


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


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


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.


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)


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.


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.


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)


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


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.



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.



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.



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.


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


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


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.


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.


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)


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


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


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


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


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.


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.


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).


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.


Figura 34. Fotografía de la estructura ensamblada previa a la implementación de

ruedas.


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.


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


Figura 36. Histograma de los diámetros del botón floral en estado garbanzo


Figura 37. Histograma de los diámetros del botón floral en estado Rayacolor


84

Figura 38. Histograma de los diámetros del botón floral en estado punto de corte


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


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


método de Otsu en canal B

90

Figura 55. 8. Máscara binaria del

canal R sobre imagen original


canal G sobre imagen original


canal B sobre imagen original



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%)


(Entropía<7.1) (Ventana 12%)















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 77. 4. Canal V


umbral fijo de 0.5 en canal H Figura 79. 6. Segmentación por

método de Otsu en canal S


método de Otsu en canal V

95


canal R sobre imagen original


canal G sobre imagen original


canal B sobre imagen original



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


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 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)


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 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 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 104.3. Elemento 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 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 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 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.



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


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.


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.


116

Figura 132. Centroides de fotografía izquierda (azules) y derecha (rojos).


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).


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.


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.


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


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


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)


Figura 143 y 144. Enmallado desechado en el camino (izq), enmallado reconocido por

el algoritmo (der)


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


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


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.


❖ 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.

http://www.sierraflowerfinder.com/en/d/freedom/3876

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

DISEÑO DE UNA HERRAMIENTA COMPUTARIZADA PARA LA …

Documents

Transcript of DISEÑO DE UNA HERRAMIENTA COMPUTARIZADA PARA LA …