AGRICULTURA DIGITAL 70 la cámara multiespectral (dirigida a buscar diferencias en la salud de las plantas) y detección 3D usando LiDAR (enfocada en detectar diferencias de volumen de crecimiento). Al comienzo de la temporada de cultivo, los cultivos recién trasplantados brindanmuy poca diferencia de altitud en comparación con las irregularidades del suelo, por lo que, al comienzo de la temporada, solo se recomienda el uso de algoritmos multiespectrales. Actuación El sistema de actuación implementado consta de un tanque que contiene un tratamiento líquido (Figura 3, resaltada en rojo), una manguera desde el tanque hasta la punta de la herramienta del robot y una boquilla para rociar el líquido (Figura 3, indicada en amarillo). De esta forma, el brazo robótico puede aplicar el líquido de tratamiento en la posición y orientación deseada (al suelo, alrededor de la base de la planta). El accionamiento de la boquilla se realiza mediante el control electrónico de una bomba eléctrica. RESULTADOS Cámara multiespectral La cámara Parrot Sequoia produce cada imagen quíntuple: verde, rojo, borde rojo (red edge), infrarrojo cercano y (alta resolución) RGB. La configuración de lapso de tiempo en combinación con una velocidad de avance genera una serie de imágenes parcialmente superpuestas que se unieron usando software de concatenación de imágenes (Hugin Panorama), ya que es de código abierto y permite la manipulación manual de características extraídas automáticamente, de modo que se puedan realizar exactamente las mismas operaciones de creación de mosaicos. Posteriormente se aplicó a las otras bandas espectrales. Cada una de las imágenes espectrales se obtiene a través de una lente diferente, como se puede ver en la parte inferior del sensor que se muestra a la izquierda en la Figura 4. Como resultado, las imágenes tomadas incluso en estático sufren una ligera translocación entre sí, algo que se evaluó y corrigió automáticamente usando Matlab. Con las imágenes en mosaico corregidas, se calcularon una serie de índices de vegetación para todo el campo. El índice de vegetación óptimo puede depender del tipo y variante de cultivo, y puede optimizarse en función de las características específicas de los cultivos y los espectros del suelo presentes en un campo determinado. En este trabajo se presentan los resultados utilizando NDVI. El índice de vegetación se utilizó para separar la materia vegetal del suelo, así como para evaluar la salud de la planta. En la Figura 4, la distribución de los valores del índice de vegetación en toda la fila se muestra en forma de histograma, revelando claramente los tres tipos de áreas presentes en la imagen. En la distribución de valores NDVI se pueden reconocer tres distribuciones gaussianas: una amplia alrededor de valores bajos (negativos) para suelo; uno estrecho alrededor de 0 que describe las sombras marcadas, por ejemplo, áreas donde todos los valores de reflectancia espectral eran muy pequeños; y una amplia de valores positivos de NDVI que describen la materia vegetal. Las alturas relativas de estos tres picos dependen del número de plantas con respecto a la cantidad de suelo visible, así como de las condiciones de iluminación. Para facilitar la identificación del valor de corte óptimo para definir la materia vegetal, los valores del índice de vegetación se pasaron a través de un filtro, separando aún más los picos en el histograma, revelando un mínimo entre los píxeles de la materia vegetal y los píxeles restantes que no estaba presente en la distribución original, como se muestra en la Figura 5. Utilizando el método de Otsu, se identificó el valor de corte que minimiza la varianza en cada una de las poblaciones de píxeles (materia vegetal vs. materia no vegetal). Después Figura 3. Pruebas de fertilización planta a planta empleando la boquilla de pulverización en el extremo del brazo robótico (amarillo) y el tanque de fertilizante líquido (rojo).
RkJQdWJsaXNoZXIy Njg1MjYx