Notícies Info Notícies

Aquest article ha estat escrit originalment en castellà. L'hem traduït automàticament per a la vostra comoditat. Tot i que hem fet esforços raonables per a aconseguir una traducció precisa, cap traducció automática és perfecta ni tampoc pretén substituir-ne una d'humana. El text original de l'article en castellà podeu veure'l a Optimización evolutiva de un método de discriminación visual entre mono y dicotiledóneas: resultados iniciales

Optimització evolutiva d'un mètode de discriminació visual entre mico i dicotiledóneas: resultats inicials

Ángela Ribeiro, Nadir Sainz-Costa, Pedro Javier Herrera, Jesús Conesa-Muñoz (Centre d'Automàtica i Robòtica (CAR), CSIC-UPM)

César Fernández-Quintanilla, Dionisio Andujar, José Daurat (Institut de Ciències Agràries - ICA)

20/09/2013
La idea principal de control específic de mala herba consisteix a ajustar els tractaments d'herbicides en funció de la zona infestada i el tipus de mala herba. En aquest context, la discriminació entre les gramíneas (monocotiledóneas) i males herbes de fulla ampla (dicotiledóneas) és un objectiu important sobretot perquè els dos grups de males herbes poden ser controlats adequadament amb herbicides específics. En aquest treball es presenta el procés de construcció d'un mètode de discriminació entre gramíneas i dicotiledóneas, emprant tècniques de visió per computador. En concret el mètode combina l'aplicació d'una bateria d'operacions morfològiques amb una etapa inicial de segmentació basada en color (RGB) que separa la capa vegetal en la imatge. La finalitat del treball és estimar en la imatge els percentatges de cobertura de cada tipus de mala herba.

Introducció

L'agricultura de precisió té com a finalitat ajustar l'ús dels recursos i les pràctiques agronómicas als requeriments del sòl i els cultius buscant una major sostenibilitat i eficiència, en altres paraules, persegueix la reducció dels costos econòmics i ecològics tradicionalment associats a l'agricultura.

Per exemple en el cas de les males herbes diversos autors constaten que la distribució de les infestaciones més perjudicials per a un determinat cultiu no és uniforme i afecta, en general, a menys del 40% del cultiu [1,2]. A causa d'aquest fet, l'aplicació selectiva d'herbicides únicament sobre les zones infestades pot suposar importants reduccions en la quantitat de producte aplicat i aportar beneficis tant econòmics com a ecològics [3-5]. És més, l'eficàcia és major si es realitza un tractament selectiu apropiat al tipus d'infestación [6]. Un dels criteris fonamentals en la selectivitat dels herbicides es recolza en les diferències entre gramíneas i dicotiledóneas. Per aquest motiu, la determinació dels percentatges de cobertura de tots dos grups és clau en el desenvolupament d'un sistema autònom de tractament que permeti ajustar el tipus d'herbicida i la dosi a la infestación dominant.

Ara bé per adequar els tractaments a les necessitats individuals de cada unitat de terreny és indispensable comptar amb informació precisa de l'estat del cultiu a tractar: on hi ha mala herba, el grau de cobertura o el tipus d'infestaciones presents. Tradicionalment s'han utilitzat diferents mètodes tant aeris com a terrestres per a l'obtenció d'informació del cultiu. En el cas de les imatges aèries, preses amb vols comercials o satèl·lits, la qualitat i utilitat de la informació recollida depèn de les condicions meteorològiques (absència de núvols o boira) i, encara que la teledetecció en agricultura ha experimentant un ressorgiment en els últims anys gràcies a l'ús de càmeres híper i multi-espectrals [7], encara el cost és alt i la resolució baixa. Una interessant i recent alternativa és la utilització de vehicles aeris no tripulats (UAV) que permeten obtenir informació de major resolució a un cost relativament baix [8]. El principal desavantatge d'aquesta opció és la poca autonomia energètica dels vehicles que en el millor dels casos realitzen vols de mitja hora. Quant a la recollida d'informació des de terra, aquesta permet una resolució inferior al centímetre amb imatges que cobreixen petites zones del cultiu. En aquest cas les fotografies solen prendre's des d'altures inferiors als tres metres, mitjançant càmeres muntades sobre tractors, robots agrícoles o simplement utilitzant un trípode [9-19].

La discriminació de males herbes ha estat tractada per diversos autors [20-24]; en alguns d'aquests casos treballant amb imatges amb un sol tipus d'infestación [23, 24] o amb aproximacions amb alt cost computacional [21].

Aquest article presenta el procés d'ajust d'un mètode de visió per computador per a la discriminació entre mico i dicotiledóneas, en concret un mètode que combina una operació de segmentació basada en color (RGB) amb un conjunt d'operacions morfològiques. El principal desafiament en termes d'anàlisi d'imatge és aconseguir una discriminació correcta en imatges preses en exterior amb il·luminació no controlada.

Material i mètodes

Segmentació de les imatges

Les imatges emprades en aquest treball recullen un espai entre les línies de cultiu de blat de moro de 50× 50 centímetres (figura 1a) i tenen una resolució original d'1.700 × 1.700 píxels. Van ser preses amb una càmera situada en un trípode, en diferents camps localitzats als voltants de Madrid, en diferents dies i, per tant, sota condicions d'il·luminació variables. La vegetació que apareix en les imatges correspon sempre a males herbes: monocotiledóneas, dicotiledóneas o tots dos tipus. Per a totes les imatges recollides es va construir manualment una imatge patró binària en la qual semblen en blanc solament els píxels corresponents a coberta de dicotiledóneas. Aquestes imatges patró són les que permetran ajustar i verificar el mètode proposat.

Figura 1: (a) Imatge amb barreja de gramíneas (fulla fina i allargada) i dicotiledóneas (fulla ampla i més curta)...
Figura 1: (a) Imatge amb barreja de gramíneas (fulla fina i allargada) i dicotiledóneas (fulla ampla i més curta). (b) Segmentació de la coberta vegetal de la imatge anterior.
El primer pas en el processament de les imatges és l'obtenció de la coberta vegetal o segmentació de la capa vegetal, per a això hem utilitzat un mètode bastant estès [25] amb el qual s'obté una imatge binària a partir d'una combinació lineal dels plans RGB de la imatge, tal com es recull en l'expressió 1, i una posterior binarización aplicant un llindar el valor del qual s'ajusta automàticament a la intensitat mitjana dels píxels de la imatge construïda amb l'expressió 1.
Imagen

on R(i, j), G(i, j) i B(i, j) són els valors d'intensitat (de 0 a 255) dels plànols vermell, verd i blau respectivament per al píxel (i, j) i els coeficients r, g i b són valors reals constants que determinen la construcció d'una imatge en escala de grises adequada. Els valors dels coeficients s'han fixat com: r = -0,884, g = 1,262, i b = -0,311 seguint els resultats de l'estudi descrit en [26]. El resultat de la segmentació de la capa vegetal es pot comprovar en la figura 1b.

Operacions morfològiques

Una operació morfològica consisteix en la convolución d'una imatge, presa com a matriu binària, amb un element estructural de forma i grandària determinats que modifica la imatge d'una manera o una altra depenent de l'operació aplicada. Per exemple una operació d'erosió suposaria la reducció de les àrees en blanc mentre que una operació de dilatació suposaria un augment de les mateixes zones [27].

Dues característiques defineixen una operació morfològica: el tipus d'operació a realitzar (erosió, dilatació, obertura i tancament) i l'element estructural a utilitzar juntament amb el seu centre. En l'aproximació proposada s'ha optat per utilitzar les operacions de dilatació i erosió i una matriu com a element estructural. És important assenyalar que les operacions d'obertura i tancament es construeixen com a combinació d'operacions de dilatació i erosió pel que l'elecció d'operacions per al mètode és la més general possible.

Així mateix l'aproximació proposa l'aplicació seqüencial d'un conjunt d'operacions morfològiques, i per tant l'ordre i tipus de cadascuna seran també factors que introduiran àdhuc més variabilitat i ampliaran l'espai de possibles solucions. Fins i tot fixant el nombre màxim d'operacions a aplicar en el processament de la imatge i la grandària màxima de l'element estructural (matriu), és necessari un mètode de cerca que s'adapti a un espai molt gran de possibles solucions, com és el cas dels algorismes genètics [28].

Ajust del mètode mitjançant algorismes genètics

Els algorismes genètics són una eina computacional molt eficaç d'optimització en situacions en les quals l'espai de possibles solucions o espai de cerca és gran, i tenen aplicacions en múltiples camps de l'enginyeria i la ciència [28]. En el processament morfològic d'imatges s'han utilitzat per optimitzar filtres morfològics suaus mitjançant la determinació dels seus paràmetres característics en aplicacions de restauració automàtica de vídeos antics [29] o per eliminar el soroll en imatges [30].

En general un algorisme genètic és un mètode d'exploració paral·lel en el qual s'analitza més d'una solució (població) en cada iteració. El mètode té cinc components bàsics [31]. L'algorisme ha d'incloure un esquema de representació en el qual codificar totes les solucions del problema. Una funció d'avaluació (fitness) que permeti ordenar les solucions segons el bones que siguin en la resolució del problema. També és necessari definir els operadors genètics (encreuament i mutació) que permetin generar noves solucions i amb això moure's a través de l'espai de cerca (exploració). I finalment és necessari definir un conjunt de paràmetres d'execució així com desenvolupar un mètode per generar les solucions de partida o població inicial.

Codificació de les solucions del problema: Esquema de representació

Una solució o individu es codifica com una cadena binària seguint l'esquema que es mostra en la figura 2. S'han establert un màxim de 8 operacions morfològiques a aplicar sobre una determinada imatge. Per obtenir solucions amb un nombre menor d'operadors s'inclou un bit que indica si l'operador s'aplica o no i s'afegeix un segon bit per indicar el tipus d'operació a realitzar (0: erosió, 1: dilatació).
Figura 2: Representació esquemàtica de la codificació emprada per als individus en l'algorisme genètic proposat
Figura 2: Representació esquemàtica de la codificació emprada per als individus en l'algorisme genètic proposat.
Així mateix cada operació morfològica porta associat un element estructural. Amb la finalitat d'aconseguir variabilitat en aquest element facilitant alhora la codificació, s'ha limitat la grandària màxima dels elements a una matriu 6×6 composta per zeros i uns, la qual cosa permet fixar la longitud màxima dels individus (304 bits) així com generar elements estructurals de menor dimensió. Aquesta matriu es pot escriure com un vector binari de 36 elements.

Funció de fitness

Com ja s'ha comentat en apartats anteriors, per a cadascuna de les imatges utilitzades en el present estudi es va construir una imatge patró o imatge binària en la qual solament apareixen en blanc els píxels de les dicotiledóneas. L'objectiu és que l'aplicació dels operadors codificats en l'individu sobre la imatge binària en la qual està segmentada la capa vegetal (figura 1b) doni com resultat una imatge igual que la imatge patró, per la qual cosa com més se sembli la imatge resultant a la imatge patró millor serà la fitness de l'individu. Aquesta similitud es defineix en l'expressió 2.
Imagen
Per obtenir un resultat general, vàlid per a totes les imatges del tipus que es mostra en la figura 1, va ser necessari realitzar un entrenament de l'algorisme amb una col·lecció representativa de les diferents situacions que es poden trobar en aplicacions reals. En conseqüència, la funció d'aptitud o fitness es va definir com la mitjana aritmètica de les diferents similituds de manera que recollís el comportament de la millor solució en mitjana per a totes les imatges considerades.

Configuració de la resta de components de l'algorisme genètic

La grandària de la població o nombre de solucions que s'avaluen simultàniament en cada iteració, es va fixar en 100 individus, cadascun amb una longitud de 304 bits. La població inicial es va generar de forma aleatòria.

Com a mètode de selecció es va utilitzar la ruleta. Per recombinar dos individus es va emprar un operador d'encreuament en dos punts. La fracció d'individus de la població generats mitjançant encreuament es va fixar en 0,8 (80%). L'operador de mutació es va implementar de manera que generava per a cada individu o solució un vector de probabilitats format per nombres reals aleatoris en l'interval [0,1]. El nombre de components del vector era igual al nombre de bits de l'individu, és a dir 304. A partir d'aquest vector, en l'individu s'invertien els valors dels bits la component associada dels quals en el vector de probabilitats presentava un valor menor que la probabilitat de mutació fixada. La probabilitat de mutació es va fixar en 0,2 (20%).

Finalment, es va incloure una operació addicional d'elitisme per assegurar la convergència. Amb aquest operador el millor individu de la població de partida sempre substituïa al pitjor individu de la nova generació.

Resultats

Per a l'etapa d'ajust del mètode es van prendre 4 fotos seleccionades aleatòriament de la col·lecció de fotografies recollides en el camp. Les diferents execucions realitzades van convergir a un resultat satisfactori al voltant de les 5.000 generacions. El valor d'aptitud més baix obtingut va ser de 0,0234, que es correspon amb una diferència entre la imatge original i patró d'aproximadament 17.000 píxels en una imatge de 722.500 píxels, és a dir un 2,34%. La figura 3 recull la bateria d'operacions morfològiques obtinguda amb l'algorisme genètic.

Figura 3...
Figura 3: Bateria d'operacions morfològiques trobada per l'algorisme genètic com a millor solució al problema d'eliminar les monocotiledóneas en les imatges d'entrenament.

La solució trobada per l'algorisme genètic empra únicament sis operacions, tres erosions i tres dilatacions, amb elements estructurals variables.

En la taula 1 es mostren els resultats obtinguts de l'aplicació del mètode ajustat amb l'algorisme genètic sobre diverses imatges de la col·lecció de partida i que no coincideixen amb les imatges utilitzades en l'entrenament. Per calcular els percentatges de gramíneas (que han estat eliminades pel processament) es resta la imatge processada (només dicotiledóneas) de la imatge original, obtenint una imatge que conté únicament monocotiledóneas.

En la taula veiem que els percentatges benvolguts i reals són bastant similars, existint diferències del 0,3% al 2,5%. Com l'objectiu final d'aquest treball és determinar si una espècie és més abundant que una altra per triar l'herbicida adequat o aplicar tots dos tractaments si no hi ha una diferència notable, podem concloure, amb els resultats obtinguts, que el mètode de processament ajustat amb l'algorisme genètic aconsegueix de forma bastant satisfactòria que la infestación dominant en la imatge original també sigui dominant després del processament de la imatge. Hi ha una excepció, en els resultats per a la imatge 5, on els percentatges calculats podrien fer pensar que la infestación dominant és la de monocotiledóneas (6,44%) enfront de les dicotiledóneas (2,99%) quan els valors reals diuen tot el contario (5,09 % de dicotiledóneas enfront de 4,35% de gramíneas). Aquest comportament ve provocat perquè els percentatges de tots dos tipus són molt semblants i, a més, les dicotiledóneas no són molt més amples que les gramíneas, raó per la qual parteix de les mateixes són eliminades amb les tres operacions d'erosió prèvies al procés de dilatació.

Taula 1...
Taula 1: Similitud (equació 2) entre imatges processades i patró, percentatges reals i benvolguts amb l'aproximació proposada, per a la cobertura de cada tipus de mala herba (mico i dicotiledóneas).
Finalment, en la figura 4 es mostren els resultats de la bateria d'operadors morfològics obtinguts per a tres imatges amb percentatges molt diferents de mico i dicotiledóneas.

Conclusions

L'automatització de tasques és un pas fonamental en Agricultura de Precisió. La discriminació de tipus de males herbes i el càlcul dels seus percentatges de cobertura poden permetre una aplicació més selectiva d'herbicides amb gran potencial d'estalvi en els costos econòmics i ecològics.

L'aproximació proposada en aquest treball es basa en operacions morfològiques combinada amb una operació de segmentació prèvia que permet aïllar la capa vegetal. A causa de les vastes possibilitats de configuració d'una bateria d'aquestes operacions morfològiques per implementar adequadament la discriminació, s'ha recorregut a un algorisme genètic com a mètode d'ajust.

El sistema emprat ha demostrat ser eficaç i senzill, estant basat en operacions morfològiques molt comunes en el processament d'imatge. Els percentatges reals de mala herba calculats manualment a partir de les imatges (patró) i els obtinguts amb el mètode proposat i optimitzat mitjançant l'estratègia evolutiva són molt semblants. De fet, en el millor dels casos s'estima de forma correcta el 89 % de la cobertura de gramíneas.

Figura 4. Comparació de resultats del procés complet d'operacions morfològiques per a tres imatges diferents...
Figura 4. Comparació de resultats del procés complet d'operacions morfològiques per a tres imatges diferents. Es mostren les imatges de partida (originals), els objectius (patró) i els resultats d'aplicar l'individu codificat en la solució (processada).
En definitiva el mètode dissenyat ha demostrat ser eficaç i estar basat al principi vàlid per destriar entre dos tipus de mala herba, similar al mètode que empra l'ull humà (distinció de grandàries i formes).

En el marc d'un projecte més ampli en agricultura de precisió, en concret en el desenvolupament d'un sistema autònom de reconeixement i tractament de camps de cultiu, l'aproximació proposada és un pas important per implementar una aplicació selectiva d'herbicides encara que és necessari ampliar el nombre d'imatges contingudes en la col·lecció d'entrenament, així com estudiar els temps associats a l'ocupació dels elements estructurals (erosió i dilatació) per aconseguir un mètode aplicable d'una manera efectiva en situacions reals.

Agraïments

Aquest treball està finançat per Ministeri d'Economia i Competitivitat i la Unió Europea a través dels projectes PLA NACIONAL - AGL2011-30442-C02–02 (GroW) i NMP-CP-IP-245986-2 (RHEA).

Aquest treball va ser presentat en el 9°Congrés Europeu d'Agricultura de Precisió, celebrat a Lleida del 7 a l'11 de juliol de 2013.

Referències bibliogràfiques

1. Marshall, I.J.P. Field-scale estimates of grass weed populations in arable land, Weed Research, 28 (3), 191-198 (1988)

2. Johnson, G.A.; Mortensen, D.A.; Martin, A.R. A simulation of herbicide usi based on weed spatial distribution. Weed Research, 35 (3). 1995. pàg. 197-205.

3. Tian, L.; Reid, J.F.; Hummel, J.W. Development of a precision sprayer for site-specific weed management. Transaction of the American Society of Agricultural Engineers, 42, 893-900 (1999)

4. Medlin C.R.; Shaw, D.R. Economic comparison of broadcast and site-specific herbicide applications in nontransgenic and glyphosate-tolerant Glycine max. Weed Science 48 (5), 653-661 (2000)

5. Timmermann, C.; Gerhards, R.; Kühbauch, W. The economic impact of site-specific weed control. Precision Agriculture, 4 (3), 249-260 (2003)

6. Tang, L.; Tian, L.; Steward, B.L. Classification of broadleaf and grass weeds using Gabor wavelets and an Artificial Neural Network. Transactions of the ASABE, 46 (4), 1247-1254 (2003)

7. López Granados, F.; Jurado-Expósito, M.; Atenciano, S.; García-Ferrer, A.; Sánchez de l'Ordre, M.; García-Torres, L. Spatial variability of agricultural soils in southern Spain, Plant and Soil 246, 97–105, (2002)

8. López Granados, F. Discriminació de males herbes en cultius de les imatges de satèl·lit als vehicles aeris no tripulats. Terres de Castella i Lleó: Agricultura, 192, pàg. 28-35 (2012).

9. Ribeiro, A.; Fernández-Quintanilla, C.; Barroso, J.; García-Alegre, M.C. Development of an image analysis system for estimation of weed cover and weed pressure. Proceeding 5th European Conf. On Precision Agriculture (5th ECPA), 1, 169-174 ISBN: 90-76998-69-8, (2005)

10. Pallers, G.; Tellaeche, A.; BurgosArtizzu, X.; Ribeiro, A. Design of a computer vision system for a differential spraying operation in precision agriculture through Hebbian learning. IET Computer Vision 1 (3-4), pàg. 93-99, (2007)

11. Ribeiro, A.; Burgos-Artizzu, X.P.; Pallers, G.; Tellaeche, A.; Fernandez-Quintanilla, C. Processament d'imatge per estimar la quantitat de males herbes gramíneas en cultius de cereal d'hivern. Actes del XI Congrés de la Societat Espanyola de Malherbología “La malherbología en els nous sistemes de producció agrària” (XI SEMh), 1, 291-294; ISBN:978-84-87787-24-9, (2007)

12. Tellaeche, A.; Burgos-Artizzu, X.P.; Pallers, G.; Ribeiro, A. A vision-based method for weeds identification through the Bayesian decision theory. Pattern Recognition 41 (2), pàg. 521-530, (2008)

13. Tellaeche, A.; Burgos-Artizzu, X.P.; Pallers, G.; Ribeiro, A. Fernández-Quintanilla, C. A new vision-based decision making approach for a differential spraying operation in Precision Agriculture. Computers and Electronics in Agriculture 60 (2), 144-155, (2008)

14. Burgos-Artizzu, X.P.; Ribeiro, A.; Tellaeche, A.; Pallers, G.; Fernández-Quintanilla, C. Improving weed pressure pssessment using digital images from an experience-based reasoning approach. Computers and Electronics in Agriculture 65 (2), 176-185, (2009)

15. Pallers, G.; Guijarro, M.; Ribeiro, A. A Hopfield Neural Network for combining classifiers applied to textured images. Neural Networks 23 (1), 144–153, (2010)

16. Burgos-Artizzu, X.P.; Ribeiro, A.; Tellaeche, A.; Pallers, G.; Fernandez-Quintanilla, C. Analysis of natural images processing for the extraction of agricultural elements. Image and Vision Computing 28 (1), 138–149 (2010)

17. Burgos-Artizzu, X.P.; Ribeiro, A., Guijarro, M.; Pallers, G. Real-estafi image processing for crop/weed discrimination in maize fields. Computers and Electronics in Agriculture 75 (2), 337-346 (2011)

18. Guijarro, M.; Pallers, G.; Riomoros, I.; Herrera, P.J.; Burgos-Artizzu, X.P.; Ribeiro, A. Automatic segmentation of relevant textures in agricultural images. Computers and Electronics in Agriculture 75 (1), 75-83 (2011)

19. Tellaeche, A.; Burgos-Artizzu, X.P.; Pallers, G.; Ribeiro, A. A computer vision approach for weeds identification through Support Vector Machines. Applied Soft Computing 11 (1), 908-915 (2011)

20. Lee, W.S.; Slaughter, D. de C.; Giles, D.K. Robotic weed control system for tomatoes. Precision Agriculture 1 (1), 95-113 (1999)

21. Meyer, G.I.; Mehta, T.; Kocher, M.F.; Mortensen, D.A.; Samal, A. Textural imaging and discriminant analysis for distinguishing weeds for espot spraying. Transactions of the ASABE. 41 (4), 1189-1197 (1998)

22. Tian, L.; Reid, J.F.; Hummel, J.W. Development of a precision sprayer for site-specific weed management. Transactions of the American Society of Agricultural Engineers, 42, 893-900 (1999)

23. Ishak, A.J.; Hussain, A.; Mustafa, M.M. Weed image classification using Gabor wavelet and gradient field distribution. Computers and Electronics in Agriculture, 66, 53-61 (2009)

24. Hemming, J.; Rath, T. Precision agriculture: computer-vision-based weed identification under field conditions using controlled lighting. Journal of Agricultural Engineering Research 78 (3), 233-243 (2001)

25. Woebbecke, D.; Meyer, G.; Vonbargen, K.; Mortensen, D. Colour indices for weed identification under various soil, residue and lighting conditions. Transactions of the American Society of Agricultural Engineers, 38 (1), 271-281 (1995)

26. Burgos-Artizzu, X.P.; Ribeiro, A.; Tellaeche, A.; Pallers, G.; Fernández-Quintanilla, C. Analysis of natural images processing for the extraction of agricultural elements. Image and Vision Computing, 28, 138-149 (2010)

27. Haralick, R.M.; Sternberg, S.R.; Zhuang, X. Image analysis using mathematical morphology. IEEE Transactions on Pattern Analysis and Machine Intelligence, 9 (4), 532-550 (1987)

28. Goldberg, D.I. Genetic Algorithms in Search, Optimization and Machine Learning, Kluwer Academic Publishers, Boston, DT., (1989)

29. Hamid, M.S.; Harvey, N.R.; Marshall, S. Genetic algorithm optimization of multidimensional grayscale soft morphological filters with applications in film arxivi restoration. IEEE Transactions on Circuits and Systems for Video Technology, 13 (5), 406-416 (2003)

30. Harvey, N.R.; Marshall, S. The usi of genetic algorithms in morphological filter design. Signal Processing: Image Communication, 8 (1), 55-71 (1996)

31. Rawlins, G.J.I. Foundations of Genetic Algorithms. Morgan Kaufman Publishers. (1991)

Suscríbase a nuestra Newsletter - Ver ejemplo

Contrasenya

Marcar todos

Autorizo el envío de newsletters y avisos informativos personalizados de interempresas.net

Autorizo el envío de comunicaciones de terceros vía interempresas.net

He leído y acepto el Avís legal y la Política de protecció de dades

Responsable: Interempresas Media, S.L.U. Finalidades: Suscripción a nuestra(s) newsletter(s). Gestión de cuenta de usuario. Envío de emails relacionados con la misma o relativos a intereses similares o asociados.Conservación: mientras dure la relación con Ud., o mientras sea necesario para llevar a cabo las finalidades especificadasCesión: Los datos pueden cederse a otras empresas del grupo por motivos de gestión interna.Derechos: Acceso, rectificación, oposición, supresión, portabilidad, limitación del tratatamiento y decisiones automatizadas: contacte con nuestro DPD. Si considera que el tratamiento no se ajusta a la normativa vigente, puede presentar reclamación ante la AEPD. Más información: Política de protecció de dades