A pattern recognition strategy for visual grape bunch detection in vineyards
Loading...
Date
2017
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Además de reducir los conocidos problemas de escasez de mano de obra, el uso de robots para la viticultura de precisión en la industria vitivinícola podría ayudar a aumentar la eficiencia en el control de los cultivos, la fertilización, la gestión, el fenotipado y la cosecha. Sin embargo, uno de los principales retos es la detección automatizada de racimos de uva, lo que ha frenado la adopción de unidades robóticas. Por lo tanto, este trabajo presenta un método que emplea cámaras de espectro visible para el reconocimiento de uvas y la detección de racimos de uva en terreno en diferentes escenarios de iluminación. Se presenta un estudio comparativo de diferentes descriptores y clasificadores para el reconocimiento de bayas, junto con un método para la detección del racimo de uva utilizando imágenes obtenidas en terreno. Se probaron tres descriptores de información de gradiente (Histogram of Oriented Gradients, Dense Scale Invariant Feature Transform y Daisy) y un descriptor de textura (Local Binary Pattern), junto con la comparación de clasificación entre Support Vecto Machine (SVM) y Support Vector Data Descriptor (SVDD) para el reconocimiento de bayas. La mezcla de descriptores HOG + LBP, junto al clasificador SVM, supera a los otros descriptores con una accuracy de 96%, precision de 99% y recall de 93% en clasificación de imágenes en categoría uva o no-uva. Se propone un método para la detección de racimo de uva usando imágenes, aplicando el método Fast Radial Symmetry Transform como detector de puntos claves. Luego, la extracción y clasificación de características tiene lugar en cada punto de interés en múltiples escalas. Posteriormente, un método DBSCAN define el número de clúster y permite crear la envolvente no convexo para cada racimo, utilizando la técnica de Alpha Shapes, para consecutivamente analizar la distribución espacial y separa racimos vecinos. Los resultados se compararon con imágenes clasificadas manualmente, obteniéndose 83% de precisión y 82% de recall en la detección de racimos de uvas. A su vez se analizó el área clasificada obteniéndose accuracy del 96%, precision 81% y un recall de 71%. Los resultados muestran un buen desempeño sin la necesidad de iluminación externa, sin utilizar información de color y detectando racimos cercanos en ambientes variables.
Description
Tesis (Master of Science in Engineering)--Pontificia Universidad Católica de Chile, 2017