Monitoreo preliminar de incidencia de fisiopatías en cultivos de fresa usando procesamiento digital de imágenes
Resumen
La identificación de diferentes anomalías en cultivos agrícolas usando procesamiento de imágenes, ha demostrado cada vez más su efectividad. Contrario con los métodos de ejecución tradicionales, los cuales arrancan los folíolos y frutos de la planta, para realizar el estudio. En este trabajo se presentan los resultados del desarrollo e validación de un algoritmo, que permita realizar monitoreo de incidencia en cultivos de fresa (Fragaria x ananassa), capaz de dar una primera aproximación para distinguir senescencia y daños mecánicos en sus foliolos, implementando una metodología indirecta (no destructiva). Las técnicas de procesamiento de imágenes implementadas incluyen Suavizado, Erosión, Dilatación, Detección de Contornos, Correspondencia de Patrones, Umbralización, entre otros. Los resultados obtenidos se visualizaron en una aplicación desarrollada en C# usando la librería Emgu CV, mostrando al usuario un diagnóstico de la planta de estudio. Se concluye que es posible ofrecer un servicio de monitoreo preliminar de incidencia usando este algoritmo, ahorrando tiempo para productores e investigadores que requieran una primera aproximación del estado del cultivo, con la posibilidad de ejecutarse tanto en computadores e robots aéreos (drones) para hacer más eficiente esta tarea.
Descargas
Lenguajes:
es;enAgencias de apoyo:
A la vicerrectoría de investigaciones de la Universidad Militar Nueva Granada por financiar este proyecto de iniciación científica (PIC 1705) y al Biólogo Carlos Mario Grijalba Rátiva cM.Sc., por sus conocimientos y experiencia proporcionados en HorticultReferencias bibliográficas
GUADARRAMA-DÍAZ, S.O. Guia Técnica para el Cultivo de Fresa [online]. 2006. Disponible: http://portal2.edomex.gob.mx/icamex/investigacion_publicaciones/horticola/fresa/groups/public/documents/edomex_archivo/icamex_arch_
cultfresa.pdf [citado 5 de Julio de 2014].
MAAS, J.L. Compendium of strawberry diseases. 2 ed. St. Paul, MN (Estados Unidos): American Phytopathological Society, 1998, p. 50-62
FLÓREZ-FAURA, R. y MORA-CABEZA, R.A. Fresa (Fragaria x ananassa Duch.) producción y manejo poscosecha. Bogotá (Colombia): Editorial Universidad Nacional de Colombia, 2010, 30 p.
LALLANA, V.H. y LALLANA, M. Manual de Practicas de Fisiologí¬a Vegetal. Córdoba (Argentina): Eduner, 2014, 226 p.
LESUR, L. Manual de Fruticultura: una guía paso a paso. 1 ed. Bogotá (Colombia): Editorial Trillas, 2003, 80 p.
LESUR, L. Manual de Horticultura: una guía paso a paso. 1 ed. Bogotá (Colombia): Editorial Trillas, 2003, 80 p.
LEXUS EDITORES. Biblioteca de la Agricultura. 1 ed. Barcelona (España): Idea Books, 2007, p. 612-614
DU, C.J. and SUN, D.W. Recent developments in the applications of image processing techniques for food quality evaluation. Trends in Food Science & Technology, 15(5), 2004, p. 230 - 249.
LU, C., REN, H., ZHANG, Y. and SHEN, Y. Leaf Area Measurement Based on Image Processing. Measuring Technology and Mechatronics Automation (ICMTMA), 2, 2010, p. 580-582.
BOCK, C.H. and NUTTER-JR, F.W. Detection and measurement of plant disease symptoms using visible-wavelenght photography and image analysis. CAB Reviews. Perspectives in Agriculture, Veterinary Science, Nutrition and Natural Resources, 6(27), 2011, p. 1-15.
JINGWEN, W. and HONG, L. Measurement and analysis of plant leaf area based on image processing. Information Technology in Medicine and Education (ITME), 2, 2012, p. 1070-1074.
SCHIKORA, M. and SCHIKORA, A. Image-based Analysis to Study Plant Infection with Human Pathogens. Computational and Structural Biotechnology Journal, 12(20-21), Noviembre 2014, p. 1-6.
OPENCV. Miscellaneous Image Transformations [online]. 2015. Disponible: http://docs.opencv.org/2.4.10/modules/imgproc/doc/miscellaneous_transformations.html?highlight=hsv [citado 14 de Abril de 2015].
OPENCV. Structural Analysis and Shape Descriptors [online]. 2015. Disponible: http://docs.opencv.org/modules/imgproc/doc/structural_analysis_and_shape_descriptors.html [citado 14 de Abril de 2015].
RAMER, U. An iterative procedure for the polygonal approximation of plane curves. Computer Graphics and Image Processing, 1(3), 1972, p. 244 - 256.
DOUGLAS, D.H. and PEUCKER, T.K. Algorithms for the reduction of the number of points required to represent a digitized line or its caricature. Cartographica: The International Journal for Geographic Information and Geovisualization, 10(2), 1973, p. 112-122.
HERSHBERGER, J. and SNOEYINK, J. Speeding Up the Douglas-Peucker Line-Simplification Algorithm. Proc. 5th Intl. Symp. on Spatial Data Handling. Vancouver, BC (Canada): 1992, p. 134-143.
HU, M. Visual Pattern Recognition by Moment Invariants. IRE Transactions on Information Theory, 8(2), 1962, p. 179-187.
SANKARAN, S., MISHRA, A., EHSANI, R. and DAVIS, C. A review of advanced techniques for detecting plant diseases. Computers and Electronics in Agriculture, 72(1), 2010, p. 1-13.
ELMASRY, G., WANG, N., ELSAYED, A. and NGADI, M. Hyperspectral imaging for nondestructive determination of some quality attributes for strawberry. Journal of Food Engineering, 81(1), 2007, p. 98-107.
CLÉMENT, A., VERFAILLE, T., LORMEL, C. and JALOUX, B. A new colour vision system to quantify automatically foliar discolouration caused by insect pests feeding on leaf cells. Biosystems Engineering, 133(0), 2015, p. 128-140.
VANDENDRIESSCHE, T., KEULEMANS, J., GEERAERD, A., NICOLAI, B.M. and HERTOG, M.L. Evaluation of fast volatile analysis for detection of Botrytis cinerea infections in strawberry. Food Microbiology, 32(2), 2012, p. 406-414.
HUANG, K.Y. Application of artificial neural network for detecting Phalaenopsis seedling diseases using color and texture features. Computers and Electronics in Agriculture, 57(1), 2007, p. 3-11.
CAMARGO, A. and SMITH, J.S. An image-processing based algorithm to automatically identify plant disease visual symptoms. Biosystems Engineering, 102(1), 2009, p. 9-21.