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

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.

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.

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

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

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

Funció de fitness

Configuració de la resta de components de l'algorisme genètic

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.

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.

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.

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.

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)