Desarrollo de un método de apoyo diagnóstico utilizando técnicas de visión artificial para identificar la deficiencia nutricional de fósforo en hojas de plantas de café (Coffea arabica L.) de la variedad Castillo en la fase fenológica de formación y llenado de frutos
Cargando...
Fecha
2023
Autores
Título de la revista
Publicado en
Publicado por
URL de la fuente
Enlace a contenidos multimedia
ISSN de la revista
Título del volumen
Resumen
La inexactitud de los diagnósticos visuales de deficiencias nutricionales en las plantas dificulta la toma de acciones correctivas en cultivos como el café. Los suelos del municipio de Acevedo presentan una tendencia a la retención de fósforo orgánico de manera que es necesario garantizar el aporte de este nutriente para un adecuado desarrollo del fruto. Con el fin de automatizar los procesos de diagnósticos visuales bajo las condiciones de variabilidad del entorno agrícola se propuso en este trabajo de grado el desarrollo de cuatro fases: El diseño y construcción de un equipo de adquisición de imágenes, la construcción de un dataset con imágenes de hojas con la deficiencia nutricional de fósforo y hojas sanas, el desarrollo de un algoritmo qué lograra identificar la presencia de la deficiencia y la validación del método propuesto. El equipo de adquisición de imágenes digitales en campo fue construido con la finalidad de aislar el fondo y estandarizar una distancia de trabajo. Para la selección del color de fondo se evaluó la desviación estándar y se determinó que el fondo azul es aquel que permite una mayor separabilidad de píxeles entre el fondo y el color de la hoja. El equipo de adquisición de imágenes diseñado permitió la construcción de un dataset con imágenes de hojas de café con la sintomatología de la deficiencia nutricional de fósforo en plantas de fincas cafeteras del municipio de Acevedo, Huila que en contraste con un análisis foliar presentaron la limitación nutricional de fósforo. En la construcción del algoritmo se incluyeron técnicas de preprocesamiento de imágenes, de segmentación de imágenes por super pixeles y extracción de características de color y textura, las técnicas de reducción de características estudiadas fueron extra tree classifier, LDA y PCA, en donde su rendimiento fue evaluado en relación a cuatro tipos de clasificadores y un predictor acorde a las métricas de evaluación de matrices de confusión. El clasificador de árboles de decisión tuvo el mejor rendimiento según la curva ROC y AUC, la validación del clasificador demostró un F-score del 0.994 para el algoritmo de identificación de la deficiencia nutricional de fósforo en hojas de café bajo condiciones de campo lo cual indicó una alta capacidad de distinción entre las clases. Finalmente se discute el desempeño del método propuesto respecto a uno entrenado bajo condiciones controladas en donde este último presentó un desempeño superior del 6%. De esta manera se demostró que una metodología construida en campo permitió el desarrollo de soluciones aplicables a entornos reales y que aunque se haya presentado un buen desempeño aún es necesario seguir trabajando en técnicas que permitan alcanzar los resultados de algoritmos entrenados bajo condiciones controladas.
Descripción
Abstract
The inaccuracy of visual diagnoses of nutritional deficiencies in plants makes it difficult to take corrective actions in crops such as coffee. The soils of the municipality of Acevedo have a tendency to retain organic phosphorus, so it is necessary to guarantee the supply of this nutrient for an adequate development of the fruit. In order to automate the processes of visual diagnostics under the conditions of variability of the agricultural environment, the development of four phases was proposed in this degree work: The design and construction of an image acquisition equipment, the construction of a dataset with images of leaves with phosphorus nutritional deficiency and healthy leaves, the development of an algorithm to identify the presence of the deficiency and the validation of the proposed method. The digital image acquisition equipment in the field was built in order to isolate the background and standardize a working distance. For the selection of the background color, the standard deviation was evaluated and it was determined that the blue background is the one that allows a greater pixel separability between the background and the leaf color. The image acquisition equipment designed allowed the construction of a dataset with images of coffee leaves with the symptomatology of nutritional phosphorus deficiency in plants from coffee farms in the municipality of Acevedo, Huila, which in contrast to a foliar analysis presented nutritional phosphorus limitation. In the construction of the algorithm, image preprocessing techniques, image segmentation by super pixels and extraction of color and texture features were included, the feature reduction techniques studied were extra tree classifier, LDA and PCA, where its performance was evaluated in relation to four types of classifiers and a predictor according to the evaluation metrics of confusion matrices. The decision tree classifier had the best performance according to the ROC curve and AUC, the validation of the classifier showed an F-score of 0.994 for the algorithm of identification of nutritional phosphorus deficiency in coffee leaves under field conditions which indicated a high ability to distinguish between classes. Finally, the performance of the proposed method is discussed with respect to one trained under controlled conditions, where the latter presented a superior performance of 6%. In this way, it was demonstrated that a methodology built in the field allowed the development of solutions applicable to real environments and that although a good performance has been presented, it is still necessary to continue working on techniques that allow reaching the results of algorithms trained under controlled conditions.
Palabras clave
Procesamiento de imágenes, Diagnósticos visuales, Técnicas de visión artificial bajo condiciones de campo, Clasificadores
Keywords
Image processing, Visual diagnostics, Machine vision techniques under field conditions, Classifiers