Análisis de eficiencia del uso del algoritmo de comparación de modelos para el conteo de plantas

Autores/as

DOI:

https://doi.org/10.33448/rsd-v9i7.4576

Palabras clave:

Arboles frutales; Detección remota; Drone; Agricultura de precisión

Resumen

A menudo, el productor no sabe la cantidad exacta de árboles frutales en su propiedad o no se da cuenta a lo largo de los años debido a la muerte de muchas plantas. Como resultado, para evitar la necesidad de un viaje de campo para el conteo manual, esta investigación tuvo como objetivo utilizar un algoritmo de comparación de modelos en paralelo con el uso de un dron de bajo costo para evaluar su eficiencia en el conteo automático de plantas de dosel espaciadas y juntas. Se utilizaron las bandas rojas, verdes y azules capturadas por el Phantom 4 Advanced, y la banda roja con mejora lineal para la opción de corte, para facilitar la distinción del huerto y el resto de los objetivos en la imagen y para obtener un mejor resultado en la detección de árboles frutales. El vuelo se realizó a una altura de 80 metros con una superposición entre bandas del 70% y en el mismo rango del 80%. Como resultado, el 97.98% de los árboles frutales se detectaron en plantas con coronas bien espaciadas y el 88.52% se identificaron en plantas con coronas juntas. El número de falsos positivos encontrados fue pequeño para todas las situaciones evaluadas, siendo estos falsos positivos las malas hierbas. Se concluye que la técnica es eficiente para contar plantas con coronas justas y espaciadas, y la detección se puede mejorar cuando hay un buen contraste entre lo que desea detectar y los objetivos que no son de interés.

Citas

Abidin, H.; Samad, MN.; Ping, LY & Noor, MKAM (2017). Evaluation of ecognition software for oil palm tree counting under different planting conditions and ages. International Conference on Big Data Applications in Agriculture.

Al-Amri, SS.; Kalyankar, NV & Khamitkar, SD (2010). Linear and non-linear contrast enhancement image. International Journal of Computer Science and Network Security, 10(2), 139-143.

Arantes, BHT.; Arantes, LT; Giongo, PR.; Moraes, VH.; Costa, EM & Silva, PC (2020). Eficiência de distribuição do sistema de irrigação, por meio de um veículo aéreo não tripulado de baixo custo/Efficiency of irrigation system distribution through a low-cost unmanned aerial vehicle. Brazilian Journal of Development, 6(4), 20332-20346.

Brunelli, R (2009). Template matching techniques in computer vision: theory and practice. John Wiley & Sons.

Centeno, JAS (2003). Sensoriamento remoto e processamento de imagens digitais. Curitiba: UFPR, 219.

Cheng, G & Han, J (2016). A survey on object detection in optical remote sensing images. ISPRS Journal of Photogrammetry and Remote Sensing, 117, 11-28.

Halazonetis, DJ (2004). What does the histogram of an image show? American journal of orthodontics and dentofacial orthopedics, 125 (2), 220-222.

Hirschmugl, M.; Ofner, M.; Raggam, J & Schardt, M (2007). Single tree detection in very high resolution remote sensing data. Remote Sensing of Environment, 110(4), 533-544.

Isip, MF.; Camaso, EE.; Damian, GB & Alberto, RT (2018). Estimation of Mango Tree Count and Crown Cover Delineation using Template Matching Algorithm, 6(3), 1955-1960.

Li, W.; Fu, H.; Yu, L & Cracknell, A (2017). Deep learning based oil palm tree detection and counting for high-resolution remote sensing images. Remote Sensing, 9(1), 22.

Liu, J.; Zhou, C.; Chen, P & Kang, C (2017). An efficient contrast enhancement method for remote sensing images. IEEE Geoscience and Remote Sensing Letters, 14(10), 1715-1719.

Malek, S.; Bazi, Y.; Alajlan, N.; AlHichri, H & Melgani, F (2014). Efficient framework for palm tree detection in UAV images. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 7(12), 4692-4703.

Norzaki, N & Tahar, KN (2019). A comparative study of template matching, ISO cluster segmentation, and tree canopy segmentation for homogeneous tree counting. International Journal of Remote Sensing, 40(19), 7477-7499.

Poddar, S.; Tewary, S.; Sharma, D.; Karar, V.; Ghosh, A & Pal, SK (2013). Non-parametric modified histogram equalisation for contrast enhancement. IET Image Processing, 7(7), 641-652.

Pratt, WK (2013). Introduction to digital image processing. CRC press.

Rex, FE.; Dalla Corte, AP.; Machado, S. A & Sanquetta, CR (2018). Identificação e extração de copas de Araucaria angustifolia (Bertol.) Kuntze a partir de dados lidar. Advances in Forestry Science, 5(2), 319-323.

Santoro, F.; Tarantino, E.; Figorito, B.; Gualano, S & D'Onghia, AM (2013). A tree counting algorithm for precision agriculture tasks. International Journal of Digital Earth, 6(1), 94-102.

Shafri, HZ.; Hamdan, N & Saripan, MI (2011). Semi-automatic detection and counting of oil palm trees from high spatial resolution airborne imagery. International journal of remote sensing, 32(8), 2095-2115.

SIDRA - Sistema IBGE de Recuperação Automática: Produção Agrícola Municipal. Acesso em 12 de março de 2020, em https://sidra.ibge.gov.br/tabela/5457.

Wan, M.; Gu, G.; Qian, W.; Ren, K.; Chen, Q & Maldague, X (2018). Infrared image enhancement using adaptive histogram partition and brightness correction. Remote Sensing, 10(5), 682.

Wong, CY.; Jiang, G.; Rahman, MA.; Liu, S.; Lin, SCF.; Kwok, N.; Shi, H.; Yu, YH & Wu, T (2016). Histogram equalization and optimal profile compression based approach for colour image enhancement. Journal of Visual Communication and Image Representation, 38, 802-813.

Publicado

30/05/2020

Cómo citar

ARANTES, B. H. T.; ARANTES, L. T.; SANTOS, J. M. dos; VENTURA, M. V. A.; GOMES, L. F. Análisis de eficiencia del uso del algoritmo de comparación de modelos para el conteo de plantas. Research, Society and Development, [S. l.], v. 9, n. 7, p. e668974576, 2020. DOI: 10.33448/rsd-v9i7.4576. Disponível em: https://rsdjournal.org/index.php/rsd/article/view/4576. Acesso em: 7 jul. 2024.

Número

Sección

Ingenierías