Cómo detectar maleza en las imágenes generadas por un dron

La incidencia nociva de las plantas indeseables conocidas como malezas es uno de los obstáculos a la producción agrícola. El daño de estas puede ser del orden de un 5 a 10% de las cosechas en países desarrollados. Conozca mecanismos para detectar estas plantas.

Para el control de agentes dañinos en las plantas, los productores hacen uso de plaguicidas, sustancias o mezcla de sustancias que se usan de manera intensiva para este control. Sin embargo, en los últimos años se está tratando de hacer un esfuerzo para que la mitigación se haga de manera sostenible que vaya en pro del cuidado del medio ambiente.

En una investigación realizada por la Universidad Técnica del Norte en Ecuador, se expone que el constante y evolutivo cambio tecnológico ha provocado que muchos países adopten nuevas y mejores formas de producción en el sector agropecuario. Por eso, el estudio tuvo como objetivo la detección de malezas y líneas de cultivo con imágenes generadas por drones de manera más rápida.

El proyecto académico buscaba que el productor determinara la ubicación de la maleza presente en su terreno con la finalidad de minimizar el tiempo y dar una mayor eficiencia productiva.

Estudio:

Las fotografías se realizaron en un terreno de maíz recién cultivado debido a la forma de su planta en relación con el tamaño de las hojas para que no obstruyeran la detección de la línea de cultivo. Las condiciones para la captura de datos fueron realizadas en horas de la mañana para evitar las corrientes de viento por la tarde que llegan desequilibrar el dron.

La plantación fue realizada en noviembre de 2020 y el seguimiento y la recolección de muestras comenzó aproximadamente dos semanas después de la siembra debido al desarrollo de la planta, pues cuando tiene un tamaño considerable puede ser visualizada sobre el aire.

El algoritmo para la detección de maleza constó de cuatro fases. La primera la detección de verde en el terreno, segunda detección de líneas de cultivo, tercero exclusión del cultivo en la imagen y cuarto reconocimiento de maleza.

Resultados:

Posterior al seguimiento y recolección de imágenes realizadas en el cultivo, se evaluó el rendimiento del algoritmo y se aplicaron algunos cambios para obtener mayor precisión en los resultados. Estos filtros estaban enfocados en la iluminación, variables a la altura, longitud de la línea, área mínima de cultivo, etc.

Las imágenes recolectadas presentan propiedades y características diferentes dependiendo de la semana en la que fueron realizadas las capturas, por tal motivo se dividieron los resultados en cuatro partes correspondientes al número de seguimiento del cultivo.

Conclusiones

El sistema de detección de maleza arrojó mejores resultados en las últimas dos semanas de seguimiento (tercera y cuarta) debido a que el cultivo ya cuenta con un tamaño considerable para ser visto en las imágenes aéreas y por consiguiente al aplicar los procesos morfológicos los píxeles de vegetación no se eliminaban significativamente, problema que estuvo presente en las primeras dos semanas de seguimiento sin importar la altura en la que fue tomada la fotografía (5, 10 y 15m). (Lea: Las 5 malezas que aprovecha el hato ganadero)

Además, la detección de líneas ha presentado un mejor desempeño en la altura entre 5 a 10 mts debido a la aglomeración de píxeles blancos presentes en las líneas de cultivo de las imágenes binarias. No obstante, a una altura de 15 mts, tanto la cantidad de líneas a detectar como los píxeles de vegetación presente en la imagen es mayor, generando errores en la detección de maleza.

Finalmente se encontró que la vegetación presente en las imágenes es directamente proporcional a la altura en la que fue tomada la fotografía. Esto quiere decir que las imágenes a menor altura abarcan menos terreno y por tanto la presencia de vegetación va a ser reducida, mientras que, si la imagen de muestra fue tomada a una gran altura, el terreno que abarque va a ser mayor. A su vez puede concluir que el número de fotos para abarcar el terreno es indirectamente proporcional a la altura del dron.

AUTOR-FUENTE.
CONtexto ganadero.
https://www.contextoganadero.com/ganaderia-sostenible/como-detectar-maleza-en-las-imagenes-generadas-por-un-dron