AGRICULTURA DIGITAL 72 tativa. Los puntos con un valor de J superior a este umbral se consideraron puntos vegetales y los valores inferiores se consideraron para describir la materia no vegetal. Este algoritmo permite identificar correctamente hojas de plantas bajas y superficies sobresalientes como rocas o terrones, a pesar de que los puntos de suelo posiblemente tengan valores de altitud mayores que los de la hoja baja, como se muestra en la Figura 6. 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, por ejemplo, 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. Combinación de sensores El algoritmo de detección multiespectral puede detectar cualquier cultivo individual con un tamaño relativo en términos de suelo cubierto o valores de índice de vegetación normalizado. El algoritmo de detección 3D también identifica el desarrollo en términos de volumen o altura. Esto significa que se prefirió una combinación de ambos sensores para determinar la necesidad de fertilización de plantas individuales. Además del mapa de prescripción, los datos del algoritmo 3D se utilizaron como modelo global del terreno de referencia para los algoritmos de actuación, que sirve tanto para ubicar el carro en el campo como para planificar los movimientos del brazo robótico como se explica a continuación. Los inconvenientes y las posibles dificultades de estos algoritmos son la detectabilidad de los cultivos recién trasplantados, ya que ambos sensores podrían no detectarlos y, por lo tanto, no recibirían ningún tratamiento. Como el campo se prepara antes del trasplante y todos los individuos necesitarán fertilizante, no se supone que esto represente un gran problema. La distancia entre las plantas es otro aspecto que debe tenerse en cuenta, ya que las plantas que llegan a superponerse o tocarse físicamente no pueden separarse completamente mediante ninguno de los algoritmos de detección propuestos. Esto debe tenerse en cuenta al evaluar los resultados una vez que las plantas alcanzan una determinada etapa de crecimiento en la que esto comienza a ocurrir. Finalmente, los algoritmos por ahora asumen que toda la materia vegetal pertenece a los cultivos deseados, es decir, las malas hierbas podrían identificarse erróneamente como individuos con un desarrollo retrasado en comparación con las plantas del cultivo deseado en esa fila. La identificación del tipo de cultivo se puede agregar a estos algoritmos en el futuro, pero aún no se consideró en esta prueba de concepto. Actuación: caracterización geométrica Los clusters extraídos en la sección anterior sirvieron como referencia para establecer un espacio válido para los movimientos del brazo robótico a la hora de aplicar el tratamiento líquido. Los parámetros extraídos se muestran en la Figura 7: en forma de centros y bordes definidos. Los colores indican cada grupo identificado, equivalente a cada planta individual. Para el procesamiento de los clusters se ha utilizado el proceso de aprendizaje no supervisado K-means, donde los clusters se identifican con etiquetas para singularizar cada planta, y en fases posteriores se ha optimizado el algoritmo incluyendo técnicas de redes neuronales CNN (convolutional neural networks). Localización Uno de los aspectos esenciales durante la aplicación de fertilizante con el brazo robótico era ubicar la plataforma Figura 7. Clasificación de las plantas en la línea de cultivo y extracción de parámetros dimensionales. Figura 8. Emparejamiento de puntos clave del entorno tridimensional en tiempo real (LPC, arriba) sobre el modelo 3D del cultivo medido previamente (G-PC, abajo).
RkJQdWJsaXNoZXIy Njg1MjYx