SISTEMA DE DETECCIÓN DE MALEZAS EN CULTIVOS

SISTEMA DE DETECCIÓN DE MALEZAS EN CULTIVOS

Andrés Felipe Montenegro
Cristian David Parada

Abstract los sistemas de visión artificial han tomado gran presencia en diferentes aplicaciones modernas, estos sistemas ofrecen la realización de diferentes tareas incorporando gran cantidad de técnicas y desarrollos, es por ello que es posible hacer uso de técnicas de visión artificial en agricultura, concretamente en la detección de especies arvenses en diversos cultivos, mediante la implementación de técnicas como la segmentación, binarizacion y máscaras es posible resaltar las malas hierbas de la plantación, junto con técnicas de clasificación supervisadas como los Knn y los clasificadores Bayesianos es posible hacer maching learning y obtener los correspondientes aciertos y errores de entrenamiento .

INTRODUCCIÓN  

El control de malezas es un factor muy importante en la agricultura debido a que esta puede traer problemas de disminución a los cultivos como la calidad, ganancias, productividad entre otras, es por ello que es importante resaltar que estos sucesos se puede presentar en lugares como la zona agrícola del país la cual no cuentan con la adecuada tecnificación de las fincas y los suelos, por lo que se hace necesario impulsar la utilización de herramientas para la agricultura de precisión^[1]  y es allí donde se pretende abordar esta problemática introduciendo un sistema que sea capaz de contribuir en la detección de agentes externos que invaden cultivos de la región Cundiboyacense, mediante la implementación de técnicas de visión artificial y clasificadores.

Para la detección es importante tener en cuenta las características morfológicas, la segmentación y separación  de las plantas presentes en la imagen, tanto las que pertenecen al cultivo como las que no, por ello se toman diferentes muestras en los canales RGB de los objetos a analizar , se dividen en dos clases se someten a entrenamientos enfrentando lo que se considera indeseado y lo que se considera cultivo, que será clasificado supervisada mente obteniendo resultados de aciertos y errores.  

Es importante que los clasificadores tengan la capacidad de diferenciar en una imagen la presencia de especies arvenses y calcular el porcentaje presente en las mismas, debido a que estas especies provocan alteraciones en el orden y productividad de los cultivos que contribuyen en el sector agroeconómico.

2. MATERIALES Y METODOS

La adquisición de imágenes de las diferentes arvenses  se hace mediante una cámara Nikon D5200, la cual proporciona una resolución de 24Mpx, esta cámara réflex semi profesional brinda una calidad de imagen óptima gracias al tamaño de sus lentes y de sus sensores, también posee una característica de enfoque controlado, además de la facilidad para adaptar un gran número de filtros, flash y lentes, todo esto se hace con el fin de obtener imágenes de alta calidad en cuanto a su definición y a su iluminación.

Se realizaron alrededor de 350 fotografías las cuales fueron filtradas mediante un riguroso proceso de selección en el cual se buscaron las imágenes en las que la diferencia entre maleza y cultivo es perceptible al ojo humano, partiendo del principio del que si el ser humano es capaz de hacer la diferenciación a simple vista la maquina estará en la capacidad de hacer lo mismo, además descartando las que no tuvieran una buena calidad de iluminación y algunos otros factores que harían que la posterior selección y clasificación fuese imposible, cada una de estas imágenes pasa por procesos de transformaciones morfológicas^[2] haciendo que al final se puedan separar el cultivo y la mala hierba del resto de elementos presentes en la imagen, para hacer posible este proceso se usa el software Python de la mano de una de sus herramientas que es el OpenCV^[3], el proceso que se lleva a cabo comienza con la obtención de la imagen en el programa, posteriormente se hace una conversión de los canales RGB en canales HSV, buscando un umbral que permita abarcar todas las

tonalidades de verde colocando una máscara como se observa en las siguientes imágenes

[pic 1]

Fig1.(Imagen original del cultivo)

Para la figura 2 se ha tomado la máscara que contiene todos los elementos que son de color verde se ha binarizado, este proceso contempla únicamente valores de  1 y 0, haciendo que lo que corresponde al color verde sea representado en color blanco y lo demás se descarta en color negro

[pic 2]
Fig2.(Mascara )

Lo que da como resultado que sean eliminados pequeños puntos blancos que anteriormente quedaban esparcidos en gran parte de la imagen y eran indeseados, aunque no se logró la erradicación total de estos pixeles indeseados, se puede apreciar que la imagen está mucho más limpia y se acerca al resultado deseado en donde únicamente están presentes las plantas de color verde como se puede apreciar en la siguiente imagen.

[pic 3]

Fig 3(Opening eliminación de ruido)

Posteriormente se hace la detección de bordes de la imagen mediante el método de Canny, por último se le hacen procesos de dilatación y apertura de la imagen binarizada con el fin de eliminar la mayor parte del ruido y que sea reconocible fácilmente.

Estos procesos de tratamiento de la imagen se hace con el fin de analizar posteriormente y aleatoriamente algunos de sus pixeles obteniendo de esta manera los valores de sus canales RGB, valores que serán ingresados a una base de datos en Excel y exportada al software Matlab con el cual se realizan pruebas de diferentes clasificadores supervisados con cada una de las características extraídas de las imágenes.

[pic 4]

Fig 4.(resultado final en color)

La segunda fase del proceso contempla la muestra de una serie de datos los cuales están compuestos por los canales RGB tanto de las plantas del cultivo como de las malas hierbas en donde se tomaron aproximadamente 400 muestras para ser utilizadas como datos de entrenamiento y 120 muestras como datos de test, estas muestras se tomaron aleatoreamente en diferentes puntos de las plantas registrando en una base de datos los valores obtenido en los tres canales de color que serian suministrados posteriormente a la herramienta de minería de datos WEKA en donde se puede observar la distribución y correlacion de cada uno de estos puntos, su respectiva representación al momento de enfrentar el canal R de arvense contra el canal R de cultivo, posterior contra el canal G de cultivo y por ultimo contra el canal B de cultivo, seguido a esto se repitió el proceso para el canal G y el canal B de arvenses.

...