Download Paper Title (use style: paper title) - FCBI
Document related concepts
no text concepts found
Transcript
Sistema Prototipo para Detección de Arvenses y Aplicación de Herbicida a un Cultivo de Piña DIANA ANDREA CAMARGO PICO ANDRÉS FERNANDO JIMÉNEZ LÓPEZ Universidad de los llanos, Grupo de investigación Macrypt Villavicencio, Colombia. diana.camargo@unillanos.edu.co Universidad de los llanos, Grupo de investigación Macrypt Universidad Nacional de Colombia, Grupo de investigación Un-robot. Bogotá, Colombia ajimenez@unillanos.edu.co RESUMEN En este Trabajo se presenta el desarrollo de un prototipo de sistema para la detección de arvenses y aplicación de insumo en un cultivo de piña, para aplicaciones de agricultura de precisión. Utiliza un sistema de visión artificial, y procesamiento de imágenes en tiempo real como mecanismo de detección de malas hierbas. Hace uso de una cámara para la adquisición de la reflectancia de las plantas en espectro visible. Cuenta con un sistema de fumigación automático, el cual emula la aplicación del herbicida selectivo; lo que en conjunto es implementado sobre un vehículo terrestre que realiza su recorrido entre los surcos del cultivo. Palabras Clave— Sistema de detección, cultivo, maleza, Aplicación de herbicida, Arvense, Piña. Abstract— This paper describes the development of a prototype system for detecting weeds and application of agricultural supplies in a pineapple crop for precision agriculture applications. Uses a system of artificial vision and image processing in real time as detection mechanism weeds. It makes use of a camera for the acquisition of plant reflectance in the visible spectrum. It has an automatic spraying, which emulates the application of selective herbicide; which together it is implemented on a land vehicle that makes its way between the crop rows. Keywords— Detection system, cultivation, weeds, herbicide application, Pineapple. I. INTRODUCCION Mientras la población mundial crece, la necesidad de alimentos y productos agrícolas se duplica de forma simultánea, pronosticado un aumento en la población mundial de 6,8 billones a más de 10 billones para el año 2050, que sumado a la disminución de la mano obra en el campo, hacen que el mejoramiento de las herramientas útiles en los procesos agrícolas sea de vital importancia [3]. Las grandes dosis de herbicida y la resistencia de las malas hierbas constituyen un problema serio en la agricultura mundial, lo que provoca que el uso de agroquímicos sin control tenga efectos negativos, entre los que destacan el gasto innecesario de herbicida (pérdida económica) y el daño medioambiental (contaminación subterráneas) [4]. del suelo y aguas La infestación de arvenses ha sido estimada como un factor causante de la disminución en el rendimiento de los cultivos, representando pérdidas económicas [6]. Estas afectaciones se producen al emerger las malezas dentro de la línea de siembra, compitiendo con la planta por los nutrientes, el agua y la luz del sol, durante su etapa de crecimiento. El control de malezas en los cultivos de hileras se realiza aplicando herbicidas de forma mecánica o manual [8] Los sistemas mecánicos generalmente son eficaces en la eliminación de los arvenses que crecen entre hileras de cultivo, pero no dentro de la línea de siembra. Como consecuencia se tiene necesidad de usar mano de obra para la eliminación de hierbas muy cerca de las plantas y dentro de la hilera del cultivo o el uso de herbicidas selectivos. Sin embargo, el desmalezado manual puede llegar a ser más de cinco veces el costo del procedimiento mecánico y no es completamente eficaz [2]. La mayoría de los sistemas robóticos para uso agrícola desarrollados hasta el momento utilizan un equipo costoso. Los sistemas GPS RTK cuestan entre $30’000.000 a $45’000.000 (COP), que sumado a otros sensores, computadores y plataformas, dan lugar a una importante inversión de capital; aun así, estudios han demostrado que el control automatizado de arvenses puede ser una de las operaciones más rentables para implementar [5]. Los cultivos son propensos a ser impactados por múltiples componentes, entre los más prevalentes se encuentran las malas hierbas, las cuales no solo afectan la productividad del cultivo al entorpecer el crecimiento y competir por la adquisición de nutrientes, sino que también hospedan plagas y enfermedades. La piña, cultivada en hileras, es una de las frutas más cultivadas en los llanos orientales, y el control de malas hierbas al igual que en demás cultivos es parte esencial de su producción, pues además de estropear su crecimiento, algunas de estas malas hierbas con semilla pueden contaminar la corona de la piña, lo que implica el aumento de utilización de tratamientos curativos y por ende afecta la economía del agricultor. Por otra parte, el uso de herbicidas para el control de arvenses en piña, con excepción del quizalofop, como parte de un paquete tecnológico con varias décadas de uso en otros lugares, ha sido adoptado sin cuestionamiento en los agroecosistemas piñeros nacionales. Esto conlleva a la necesidad de crear nuevas alternativas de control de arvenses, en un marco de un manejo integrado, sostenible y amigable con el medio ambiente [1]. El objetivo principal de esta investigación fue realizar un sistema prototipo capaz de detectar mediante visión artificial y procesamiento digital de imágenes, la presencia de arvenses en las líneas de un cultivo de piña, y simular la aplicación de herbicida a cada planta que lo requiera; con el fin de evitar el uso excesivo de herbicidas, lo cual mitiga el impacto medioambiental, previene accidentes laborales por el uso de estos al momento de aplicarlos, y aumenta la productividad económica al ahorrar insumos.. II. MATERIALES Y MÉTODOS Este proyecto de investigación se realizó en el municipio de Villavicencio, Colombia; en un cultivo de piña de 50.000 plantas/ha, ubicado específicamente en la vereda Barcelona, cerca de la universidad de los llanos. A. Recolección de Información Inicialmente se recopiló la información pertinente al cultivo como su densidad, dimensiones de siembra, tanto horizontal como vertical (Véase la Figura 1), la edad del cultivo más propenso a ser afectado por las malas hierbas, el control que se realiza ante este problema, los herbicidas más utilizados, el tiempo que tarda el herbicida en hacer efecto y el clima apropiado para realizar la fumigación. Se realizó el desplazamiento al campo y tomaron cientos de fotografías con la cámara a utilizar como primicia para iniciar el algoritmo de procesamiento de imagen. Fig 1. Diagrama de siembra de Piñas en hileras dobles para una densidad de 50 mil plantas/ha. Adaptado de Manual Técnico Buenas Practicas De Cultivo En Piña. (1999) Recuperado de http://portal.oirsa.org/biblioteca.aspx (Portal Oirsa, n.d.) Un estudio que aportó información importante para esta investigación dirigida a la agricultura es [1], donde estudia los diferentes tipos de maleza que afectan los cultivos de piña y las causas de la presencia de arvenses en estos. La piña presenta un crecimiento inicial lento, aunado a su porte bajo y poca capacidad de producir sombra en los primeros meses de desarrollo; además, presenta un sistema radical poco profundo, lo que la hace susceptible a la competencia con las arvenses. Se enfatiza en eliminar las malezas durante los primeros siete a ocho meses después de la siembra; luego de ese periodo el cultivo cubre el suelo lo suficiente para crear sombra y así evitar el crecimiento de nuevas arvenses, ya que ese es el periodo que el cultivo necesita para alcanzar su madurez fisiológica, para la inducción floral. Cualquier daño por competencia o por mala aplicación de herbicidas causaría un retraso en esta y en la producción final [1]. Según [9], en este tipo de cultivo nacen malezas de hoja ancha o angosta; dependiendo de la zona y de la limpieza de la maquinaria o de la semilla de piña que se va a sembrar. El control de la maleza se inicia desde la preparación de la tierra, para lo que deben de darse los pases de rastra necesarios que destruyan totalmente los residuos y desmenucen los terrones y el suelo quede lo suficientemente suelto para que permita establecer una película del herbicida pre-emergente por un período de 2 ½ meses o más; se requiere además que el suelo tenga humedad al aplicar el herbicida. Los herbicidas deben ser usados cuando la maleza todavía no ha germinado o cuando tiene de dos a tres hojas. Como punto de partida para el desarrollo del procesamiento del proyecto de investigación, para la generación de una base de información, se capturaron más de 500 imágenes en el campo del cultivo de piña haciendo uso de una cámara web Unitec, entre Abril y Junio del 2016 en fechas y horas distintas del día; , posicionándose previamente de tal manera que observe las raíces de las plantas a una distancia entre 20 y 25 cm., considerando que el ancho de un surco de piña es aproximadamente de 70 cm; adquiriendo así una cantidad suficiente de imágenes bajo diversas condiciones medioambientales, de iluminación, y estados de crecimiento de las plantas con y sin arvenses. Las imágenes digitales fueron almacenadas como imágenes de 24-bits de profundidad, con una resolución de 640x480 píxeles en el modelo de color RGB (Red Green Blue) y en formato jpg. Para el análisis de procesamiento se seleccionaron de manera aleatoria un poco más de 300 imágenes. B. Descripción del sistema El sistema utiliza el concepto de visión artificial aplicado a la agricultura de precisión; así pues, para la realización de este proyecto se siguen las etapas que a ella corresponden: Sensado: Hace referencia a la adquisición de imágenes del entorno; realizado por los sensores ópticos, cámaras. Procesamiento, segmentación, Parametrización y clasificación: Es realizada por el ordenador placa utilizada, Raspberry Pi 2, haciendo uso del software en lenguaje de programación Python. Interpretación: Accionamiento eléctrico del sistema emulador de fumigación (Bomba, lanza pulverizadora) Fig 1. Conversión de RGB a HSV. a) Imagen en color RGB. b) Imagen color HSV. Elaboración Propia. Posteriormente se realizó la creación de una Máscara, y el cálculo de área para graficar el centroide y ubicar la posición de esta. La máscara de la imagen hace referencia al rango de colores que se van a detectar, en este caso, la maleza en un cultivo de piña se diferencia de él por su color vivo y resaltante. Posteriormente esa imagen será transformada a binaria (0 para negro y 1 para blanco), de esta manera se resaltaría en color blanco el rango de colores que abarca la maleza y el color negro cubriría las plantas del cultivo y el suelo. Para encontrar el rango de valores de manera fácil, se diseñó un programa en Python aplicado a diferentes fotografías (Véase la Figura 3), de esta manera, través del deslizamiento de cuatro sliders (H_Bajo,S_Bajo,V_Bajo y H_Alto, S_Alto, V_Alto). El funcionamiento del sistema consiste la captura de imágenes de cada planta y el correspondiente procesamiento de imagen en las etapas de segmentación, parametrización y clasificación para así determinar la presencia o ausencia de malas hierbas en el cultivo. C. Procesamiento de imagen Para cada imagen se realizó la transformación de la imagen RGB a un modelo de color HSV (Hue, Saturation, Value), para tener mejores resultados a la hora de detectar un color en particular. Cabe mencionar que los rangos que OpenCV usa para HSV son: H: 0 - 180, S: 0 - 255, V: 0-255. En la Figura 2 se aprecia la conversión de una imagen en RGB a HSV, nótese que el verde de la maleza resalta más que el de la planta de piña. Fig 2. Programa implementado para encontrar los límites de color HSV. a) Selección de Rangos con sliders. b) Imagen capturada. c) Imagen en HSV. d) Máscara aplicada a la imagen. Elaboración propia. Para que la detección de presencia de maleza cerca de la planta sea más que certera se optó por establecer un umbral para el área; así, si es lo suficientemente grande como para considerarse maleza notifica la presencia de la mala yerba, de lo contrario se omite. que el canal de interés es el de Intensidad, se aplicó únicamente la fórmula correspondiente. Una vez hallados los colores propios de la maleza presentes en la imagen, mediante la librería OpenCv se conocen los valores de los momentos de la máscara y así se logra determinar el área de la máscara y la posición (x,y) del centroide; finalmente si el valor del área de la imagen se encuentra sobre el umbral establecido, se dibuja un objeto circular de color rojo en la posición central de la máscara, como se observa en la Figura 4 a. Luego de aplicarse la fórmula para hallar la intensidad a cada pixel, se halló el valor medio de Intensidad del conjunto de pixeles que conforman cada imagen. Se elaboró una tabla para comparar y determinar las imágenes de mejor adaptación al procesamiento y así, basándose en un análisis estadístico, descartar las que debido a su nivel de iluminación no se consideran óptimas. D. Sistema Emulador de Aplicación De Insumo Fig 3. a) Imagen con señalamiento de presencia de maleza. b) Máscara de la imagen sujeta al procesamiento. Elaboración Propia. Uno de los factores más importantes a tener en cuenta a la hora de procesar cada imagen adquirida, es la iluminación; la cual afecta considerablemente a la calidad; un bajo nivel de iluminación causa falencias en el método de procesamiento de imagen basado en el color, haciendo que los píxeles pertenecientes a la malas hierbas no sean detectados, o que las plantas sean consideradas como arvenses, dando lugar a errores de detección. Para saber si la toma consecutiva de imágenes el sistema cuenta con una buena calidad, se optó por seleccionar y establecer un valor umbral de iluminación. De esta forma, antes de poner en marcha el funcionamiento del prototipo se conocería si las condiciones de captura de imagen son óptimas para dar inicio; y además, como control de calidad de imagen, cada determinado tiempo se verificaría el estado de iluminación de captura; de estar sobre el umbral, la captura continúa, si este no está sobre el umbral pero es cercano, el sistema adoptaría otro rango de valores para la máscara y por último de ser muy inferior al valor umbral se mostraría un aviso, notificando la carencia de calidad de imagen que conllevaría a un mal funcionamiento. La selección del umbral de iluminación se determinó comparando y analizando cada una de las fotografías de la base de imágenes tomadas con anterioridad al aplicárseles la máscara, como se explicó en el apartado anterior Para empezar, se realizó un programa en Python para obtención y conversión de cada pixel de cada imagen de RGB a HSI (Hue, Saturation, Intensity), utilizando las ecuaciones de conversión (RGB to HSI) [7]; considerándose El sistema emulador de aplicación de insumo hace parte de la etapa de interpretación antecedida por la etapa de procesamiento, quien se encarga de enviar la orden para la activación del sistema en cuestión luego de determinar la presencia del arvense. El sistema de bombeo y aspersión implementado consta de un tanque almacenador del líquido, una bomba de agua sumergible que requiere alimentación de 12 v cd; una válvula check, que garantiza que los conductos estén alimentados todo el tiempo sin importar que el sistema no esté activado, en caso contrario la presencia de aire en los conductos implica que el sistema de aspersión no funcione correctamente; y una lanza con su respectiva boquilla pulverizadora para la emulación de aplicación de herbicidas III. RESULTADOS Y DISCUSIÓN A continuación se presentan los resultados relativos a los diversos experimentos realizados en los distintos procesos, que en conjunto conforman el sistema de visión operativo del prototipo. En lo que concierne al procesamiento de imágenes, luego de aplicar el algoritmo programado a varias imágenes de plantas con y sin presencia de malas hierbas se escogieron cuatro rangos candidatos para aplicarlos a cada imagen y comparar el comportamiento. El más óptimo según la observación y considerando el comportamiento de cada máscara ante la variabilidad de colores, densidad y tipos de malezas que atacan el cultivo fue H: 28 S: 80 V: 150 para el límite bajo y H:88, S:170, V:255 para el límite alto. Las imágenes cuyos valores de luminosidad fueron bajos, mostraron un comportamiento desfavorable ante el procesamiento; cabe mencionar, que la cantidad de imágenes con determinado umbral fueron tomadas aleatoriamente, sin embargo puede asegurarse que las imágenes tomadas en horas de la mañana presentaron un nivel de intensidad superior a 0.5, mientras que las que se tomaron en horas de la tarde, cuando la intensidad de luz solar era considerable, presentaron niveles de intensidad bajos; siendo así, se puede considerar que el exceso de luminosidad del entorno al igual de la escasez de esta, afectan de la misma forma la calidad. . En la Tabla 1 se puede observar de manera general la reacción de las imágenes al procesamiento, basado en su valor de intensidad (I). Tabla 1. Tabla comparativa entre valores de iluminación Plantas Con maleza I <0.4 0.4<= I <0.5 I >=0.5 Total Detectó 18 9 141 168 No detectó 12 4 39 55 Sin maleza Sin Detección detección errónea 9 0 1 0 109 5 119 5 Para hallar el porcentaje de clasificación correcto (PCC), se aplicó su fórmula descrita en la Ecuación 1. (1) Donde: VP (Verdaderos Positivos): El número de casos donde hubo maleza y se detectó su presencia. VN (Verdaderos Negativos): El número de casos donde no hubo maleza y se descartó su presencia. FP (Falsos Positivos): El número de casos donde no hubo maleza, pero erróneamente fue detectada. FN (Falsos Negativos): El número de casos donde hubo maleza, pero no fue detectada. anomalía en la calidad de imagen esta se notifica por impresión en pantalla. Por otro lado, Inicialmente se había considerado posicionar el tanque almacenador del líquido en la parte trasera baja del vehículo y la bomba en la parte superior, para que absorbiera el líquido y mediante la válvula check no permitiera la devolución del mismo causando que este se llenara de aire evitando la fluidez debida por los conductos y por último la aspersión. Pero finalmente se optó por posicionar el tanque en la parte superior y la bomba abajo por comodidad a la hora de integrar todos los componentes y, además, de esta manera, por la fuerza gravitatoria queda más que garantizado la alimentación de fluido en los conductos. Por último, la lanza pulverizadora se ajustó al cuerpo del vehículo de tal modo que el chorro cayera justo en el lugar desde donde la cámara captura la imagen a procesar. El sistema prototipo físicamente implementado consta de la tarjeta Raspberry Pi conectada a su alimentación eléctrica, una batería que otorga 5 voltios y hasta 2 Amperios en una hora. El encendido de la tarjeta se hace mediante un switch o interruptor, y un led indica su estado (encendido o apagado). La Raspberry Pi, junto con los componentes conectados a ella (Adaptador inalámbrico, cámara, módulo Relé y led) genera un consumo energético alrededor de 1.3A, así pues, el tiempo que la batería es capaz de suministrar la alimentación continua a la tarjeta es de una hora y media aproximadamente. En la Figura 5 se muestra cómo quedó finalmente la estructura física del prototipo con todos los componentes integrados. Con base en la table 1, VP=168; VN=119; FP=55, y FN=5. Así el PCC es de 82.7%. Analizando las columnas de porcentajes de la Tabla 1 se deduce que las imágenes con valores de intensidad lumínica baja presentan mayor error en cuanto la omisión de detección de arvenses, por este motivo se estableció un umbral de intensidad lumínica de 4.5 (puesto que no se obtuvo una cantidad suficiente de imágenes con umbral entre 0.4 y 0.5 como para considerarse decisiva la aceptación o el descarte de este rango de umbral, se escogió un valor medio). De esta manera, las imágenes con valores de intensidad superior a dicho umbral son consideradas adecuadas para el procesamiento, mientras que las demás no. En el proceso de adquisición consecutiva de imágenes en el campo, el sistema de procesamiento no evalúa el nivel de luminosidad para cada cuadro de imagen capturado porque esto retarda el proceso de detección, pero sí lo hace cada dos minutos, esto con el objeto de realizar un monitoreo de calidad de imágenes capturadas, de haber Fig 4. Estructura de prototipo implementada. (a) Integración de componentes para la detección, procesamiento y activación eléctrica del sistema de aspersión. (b) Prototipo implementado completamente. Elaboración Propia. Se realizaron las respectivas pruebas en el campo de estudio, (cultivo de piña con una densidad de 50.000 plantas/ha) el día 22 de Julio en horas de la mañana, contando con una intensidad lumínica solar baja. El prototipo recorrió una hilera de 143 plantas de piña, de allí se obtuvieron los resultados que se muestran en la Figura 6, donde el PCC fue del 83.2%, un porcentaje cercano al valor esperado (85%), esta vez hubieron más plantas detectadas erróneamente. En la Figura 7 se muestran las fotografías del prototipo funcionando en campo. CONCLUSIONES El desarrollo de este proyecto ha demostrado que es posible diseñar e implementar un sistema de detección de bajo costo basado en la visión artificial, gracias al acoplamiento a un vehículo terrestre pequeño, sencillo, liviano, y relativamente resistente para este tipo de aplicación en la agricultura. Hace uso de hardware potente y económico así como de software libre o código abierto, lo que lo hace un sistema flexible, permitiendo el desarrollo y la implementación de mejoras realizadas bajo estudios de investigación. El estudio realizado sirve como base para la continuación de investigaciones aplicadas a la agricultura de precisión y control de malas hierbas mediante el uso de sistemas de visión artificial. El uso de sensores infrarrojos se propuso en la metodología al inicio de este proyecto de investigación; sin embargo, no fue implementado debido a que para el método utilizado, con estos, no es posible distinguir pequeñas variaciones de color entre las plantas del cultivo y los arvenses. El uso de un buen hardware tanto para la adquisición de imagen como para el procesamiento es de relevante importancia, ya que de estos dependen la eficacia del sistema; la rapidez del procesamiento depende de las dimensiones de la imagen a procesar, por tanto fue necesario redimensionar la imagen antes de procesarla para que la respuesta del sistema fuera inmediata. La calidad de imagen es notablemente afectada por el nivel de intensidad lumínica. El algoritmo de detección de arvenses en el cultivo, tuvo una eficiencia de más del 80 %, presentando así resultados satisfactorios y el cumplimiento de requerimiento que concierne a la evitación de uso innecesario de herbicidas selectivos a plantas que en el momento no lo requieren. El prototipo pudo satisfacer los requerimientos planteados inicialmente, referente a costos, visión artificial, dimensiones y resistencia. Fig 5. Resultados de Prueba en campo. Elaboración Propia. Fig 6. Funcionamiento de sistema prototipo en campo. Elaboración Propia . Debido a que el prototipo no cuenta con un sistema de auto-guiado, el control del desplazamiento de este se realiza mediante el control remoto del vehículo, a una velocidad inferior a 2 Km/h, pues el tiempo de exposición de la cámara no es lo suficientemente bajo para adquirir imágenes de buena calidad mientras el vehículo se desplace a una velocidad mayor a la mencionada; además aunque el procesamiento de imagen se realiza de manera rápida, la activación del sistema de bombeo y aspersión requiere el tiempo necesario para emular la aplicación del herbicida (Aprox. 0.7 Segundos). En la Figura 8 se aprecian dos fotografías tomadas mientras el sistema emula la aplicación del herbicida luego de detectar los arvenses presentes en las plantas del cultivo. Fig 7. Emulación de aplicación de herbicida en campo REFERENCIAS [1] [2] [3] Brenes, S. &. (2007). Reconocimiento Taxonómico De Arvenses Y Descripción De Su Manejo, En Cuatro Fincas Productoras De Piña (Ananas Comosus L.) En Costa Rica1. En Agronomía Mesoamericana 18(2): 239-246. 2007 Issn (págs. 1021-7444).J. Clerk Maxwell, A Treatise on Electricity and Magnetism, 3rd ed., vol. 2. Oxford: Clarendon, 1892, pp.68-73. Chandler JM, C. F. (1992). Economics of cotton losses caused by weeds. Memphis: McWhorter, C. G.: Abernathy, J. R. (Eds.).K. Elissa, “Title of paper if known,” unpublished. Hassall. (2010). Future trends in precision agriculture: a look into the future of agricultural equipment. Recuperado el Mayo de 2014, de de Grains Research and Development Corporation: http://nuffieldinternational.org/rep_pdf/1271281847James_Hassall_Rep ort_2009.pdf [4] [5] [6] [7] [8] [9] J.M. Guerrero. (2015). Identificación en tiempo real de líneas de cultivo y malas hierbas en campos de maíz. Pedersen SM, F. S. (2006). Agricultural robots-system analysis and economic feasibility. pp. 295-308 Pimentel D, M. S. (2001). Economic and environmental threats of alien plant, animal, and microbe invasions. En Agriculture Ecosystem Environmental, 84 , pp. 1-20. RMUTI. (s.f.). Obtenido de http://www.rmuti.ac.th/user/kedkarn/2012/com_vision/RGB_to_HSI.pdf Zhang Y, S. E. (2012). Automated weed control in organic row crops using hyperspectral species identification and thermal microdosing. En Crop Protection, 41, pp. 96-105. Zuñiga A. Matarrita L., M. D. (2010). Manual de buenas prácticas agrícolas para la producción de Piña. (M. d. Panama, Ed.) Obtenido de http://portal.oirsa.org/biblioteca.aspx