AGRICULTURA DIGITAL 71 de aplicar el procedimiento de Otsu, el rango de la imagen filtrada ya no corresponde al rango [-1,1] del índice NDVI original. Los valores alterados revelaron un mínimo entre la materia vegetal y la materia no vegetal, según se obtiene a través del método de Otsu, indicado en el histograma con una línea vertical roja en la Figura 5. Para cada grupo resultante en la nueva imagen, puede ser considerada una gama de características: por ejemplo valor medio del índice de vegetación, distribución del índice de vegetación, área del conglomerado o perímetro. En esta prueba de concepto, se utilizó el valor medio dentro de un grupo. Luego, este valor se comparó con los valores medios de NDVI de los otros grupos dentro de la misma fila para identificar las necesidades de fertilización de cada planta. Detección 3D Los datos 3D se recopilaron utilizando múltiples LiDAR. Cada LiDAR utiliza un pulso de láser giratorio infrarrojo, donde el tiempo de vuelo entre la emisión y la reflexión en cada incremento de rotación se utiliza para calcular la distancia del sensor a cualquier objeto. Se encontró que la intensidad de reflectancia del haz no proporciona ninguna información adicional en esta configuración y, por lo tanto, se descartó. A partir de las coordenadas cilíndricas, cada distancia se convirtió a un sistema de coordenadas cartesianas, donde se combinaron la inclinación del sensor y los datos de odometría de las ruedas del carro para proporcionar la dimensión perpendicular al plano de rotación del láser. Esto da como resultado una nube de puntos 3D por LiDAR, que describen una sola fila de cultivo. Las nubes de puntos proporcionan información complementaria inherente a sus diferentes ángulos y alturas de instalación, mientras que la mayoría de las superficies son captadas por todos los LiDAR. Esta superposición se usó para fusionar las nubes de puntos en una nube de un solo punto de alta resolución, que describe todas las superficies dentro de una hilera de cultivo, es decir, tanto la materia vegetal como la no vegetal, como el suelo. Como la información tridimensional es la única información presente en este tipo de nube de puntos, es decir, no se retiene información de color o reflectancia, los puntos debían identificarse como cultivos o no cultivos simplemente en función de su ubicación y altura. Especialmente para las plantas más pequeñas, la aspereza del terreno produce datos de altura que son comparables a los datos de altura de las hojas colgantes más bajas. Esto significa que no fue posible una identificación basada únicamente en datos de altura en estadios tempranos del cultivo. Para superar esto, a cada punto se le asignó un valor J basado en las alturas de todos los puntos dentro de un radio de 150 mm, donde los puntos más cercanos se tienenmás en cuenta que los que están en el borde de esta esfera, es decir, J es una suma ponderada de la altura al cuadrado sobre la distancia. La cantidad de puntos que están presentes en esta vecindad también contribuye a este valor, ya que las superficies más altas, como las hojas de las plantas, están más cerca del sensor y, por lo tanto, se muestrean con una frecuencia más alta que cualquier punto más alejado. Los valores resultantes J para todos los puntos dentro de una nube de puntos se pueden clasificar en orden ascendente. La previsibilidad de la rugosidad del terreno y la distancia constante del suelo asegura que los valores de J de los puntos del suelo produzcan una buena distribución lineal. Esta linealidad se utilizó para identificar el valor de J para una nube de puntos dada donde la distribución ordenada se desvía de esta expecFigura 5. Mismo mapa de NDVI de la figura 4 tras un filtro Gaussiano (histograma en el centro) y mapa NDVI sólo con las plantas a lo largo de una línea de cultivo. El índice de vegetación se utilizó para separar la materia vegetal del suelo, así como para evaluar la salud de la planta. En la Figura 4, la distribución de los valores del índice de vegetación en toda la fila se muestra en forma de histograma, revelando claramente los tres tipos de áreas presentes en la imagen. En la distribución de valores NDVI se pueden reconocer tres distribuciones gaussianas: una amplia alrededor de valores bajos (negativos) para suelo; uno estrecho alrededor de 0 que describe las sombras marcadas, p.ej. áreas donde todos los valores de reflectancia espectral eran muy pequeños; y una amplia de valores positivos de NDVI que describen la materia vegetal. Las alturas relativas de estos tres picos dependen del número de plantas con respecto a la cantidad de suelo visible, así como de las condiciones de iluminación. Figura 5 Mismo mapa de NDVI de la figura 4 tras un filtro Gaussiano (histograma en el centro) y mapa NDVI sólo con las plantas a lo largo de una línea de cultivo. Para facilitar la identificación del valor de corte óptimo para definir la materia vegetal, los valores del índice de vegetación se pasaron a través de un filtro, separando aún más los picos en el histograma, revelando un mínimo entre los píxeles de la materia vegetal y los píxeles restantes que no estaba presente en la distribución original, como se muestra en la Figura 5. Utilizando el método de Otsu, se identificó el valor de corte que minimiza la varianza en cada una de las poblaciones de píxeles (materia vegetal vs. materia no vegetal). Después de aplicar el procedimiento de Otsu, el rango de la imagen filtrada ya no corresponde al rango [-1,1] del índice NDVI original. Los valores alterados revelaron un mínimo entre la materia vegetal y la materia no vegetal, según se obtiene a través del método de Otsu, indicado en el histograma con una línea vertical roja en la Figura 5. Para cada grupo resultante en la nueva imagen, puede ser considerada una gama de características: por ejemplo valor medio del índice de vegetación, distribución del índice de vegetación, área del conglomerado o perímetro. En esta prueba de concepto, se utilizó el valor medio dentro de un grupo. Luego, este valor se comparó con los hist m ogra NDVI Figura 4 Proceso de cálculo del índice de vegetación a partir de las imágenes multiespectrales concatenadas, y su correspondencia en el histograma. Figura 4. Proceso de cálculo del índice de vegetació a partir de las imágenes multiespectrales concatenadas, y su correspondencia en el histograma. utilizando NDVI. El índice de vegetación se utilizó para separar la materia veg tal del su lo, as como para evaluar la salud de la planta. En la Figura 4, la distribución de los valores del índice de vegetación en toda la fila se muestra en forma de histograma, rev lando claram nte los tres ipos de áreas pr entes en la imagen. En la distribución de valores NDVI se pueden econocer tres distribuciones gaussianas: una amplia alrededor de valores bajos (negativos) para suelo; uno estrecho alrededor de 0 que describe las sombras marcadas, p.ej. áreas donde odos los valores de reflectancia esp ctral er n muy pequeños; y una amplia de valores positivos de NDVI que describe la materia vegetal. L s alturas relativas de estos tr s picos epe den del número de plantas con respecto a la cantidad de suelo visible, así como de las condiciones de iluminación. Figura 5 Mismo mapa de NDVI de la figur 4 tras un filtro Gaussia o (histograma en el centro) y mapa NDVI sólo con las plantas a lo largo de una línea de cultivo. P ra facilitar la identificación del valor de cor e óptimo para definir la materia vegetal, los valores del índice de vegetación se pasa on a través de un filtro, separando aún más o picos en el histograma, revelando un mínimo entre los píxeles de la materia vegetal y los píxeles restantes que no estaba presente en la distribución original, como se muestra en la Figura 5. Utilizando el método de Otsu, s identificó el valor de cor que minimiza la varianza en cad una de las poblaciones de píxeles (m teria vegetal vs. materia no vegetal). Después de aplicar el pro edimiento de Otsu, el rango de la imagen filtrada ya no corresponde al rango [-1,1] del índice NDVI original. Los valores alt rados revelaron un mínimo entre la materia vegetal y la materia no vegetal, según se obtiene a través del método de Otsu, indicado en el histograma con una lín a vertic l roja en la Figura 5. Para cada grupo resultante en la nueva imag n, puede ser considerada una gama características: por ejemplo valor medio del índice de vegetación, distribución del índice de vegetación, área del conglomerado o perímet o. En esta prueba de concepto, se utilizó el valor medio dentro de un grupo. Luego, este valor se comparó con los hist m ogra NDVI Figura 4 Proceso de cálculo del índice de vegetació a partir de las imágenes multiespectrales concatenadas, y u correspondencia en el histograma. Figura 6. La nube de puntos LiDAR con colores según altura, y la diferenciación de suelo y planta según el parámetro J. Figura 6 La nube de puntos LiDAR con colores según altura, y la diferenciación de suelo y planta según el parámetro . La nube de puntos 3D resultante que contiene solo puntos de plantas se puede limpiar posteriormente, donde se eliminaron los puntos de ruido singulares, lo que produjo solo grupos a partir de cierto tamaño, que se correspondían bien con las plantas (coles el caso mostrado). Para cada uno de estos grupos se calculó una gama de características, p.ej.,. superficie cubierta del suelo, volumen de la planta, relación superficie-volumen o distribución de los valores de J. Estos se compararon con los otros grupos dentro de la misma fila para identificar anomalías.
RkJQdWJsaXNoZXIy Njg1MjYx