Download Paper Title (use style: paper title) - FCBI

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