INVESTIGADOR(ES) PRINCIPAL(ES):

Germán Andrés Holguín Londoño

13 horas

CODIGO CIE

6-19-6

Mauricio Holguín Londoño

Coinvestigador

0 Horas

Juan Felipe Grajales González

Estudiante

0 Horas

Oscar Andrés Martínez Silva

Estudiante

0 Horas

Jorge Luis Martínez Valencia

Estudiante

0 Horas

TIPO DE CONVOCATORIA

2018. Décimosegunda Convocatoria

TIPO DE PROYECTO

Investigación Aplicada

OBJETIVO(S)

Desarrollar una metodolog¿¿a para la estimaci¿on del estado de irrigaci¿on de un cultivo de ¿area amplia, a partir de im¿agenes a¿ereas obtenidas mediante un sistema embebido de bajo costo, aplicando t¿ecnicas de visi¿on por computador y aprendizaje profundo.

RESUMEN

Agricultura de precisi¿on es un t¿ermino acu¿nado para agrupar un conjunto de metodolog¿¿as y t¿ecnicas que permiten dise¿nar y adoptar sistemas de toma de decisiones basadas en evidencia con el fin de mejorar procesos productivos al interior de las granjas. Diversos estudios[1], [2], [3], demuestran como pueden ser aplicadas las t¿ecnicas de agricultura de precisi¿on para mejorar la calidad del producto, disminuir costos tanto para grandes como para peque¿nos productores y aumentar la eficiencia en el manejo de los recursos. Este proceso est¿a relacionado a los retos actuales que afectan la producci¿on agr¿¿cola tales como el cambio clim¿atico, la disponibilidad de la tierra, la competencia y los costos de producci¿on[2], [4] Hay una amplia variedad de aplicaciones y desarrollos tecnol¿ogicos en la agricultura de precisi¿on, cada una dedicada a resolver problemas tanto generales como espec¿¿ficos seg¿un diversas variables como el tipo de cultivo, las condiciones a las que debe estar sometido, los cuidados con maleza y especies que amenacen su desarrollo y crecimiento, entre otras [3]; sobresale el monitoreo de la salud de los cultivos utilizando veh¿¿culos a¿ereos no tripulados (UAV¿s), que en contraste con t¿ecnicas tales como las im¿agenes satelitales, brindan la posibilidad de tomar constantemente datos para ser analizados y tomar decisiones acertadas con la informaci¿on obtenida [5]. los UAV¿s estan siendo continuamente mejorados y equipados con diversos sensores y t¿ecnicas de adquisici¿on de datos haciendo posible analizar de manera pr¿actica cultivos de ¿area amplia, as¿¿ como estar al tanto de informaci¿on importante acerca del estado del crecimiento de las especies cultivadas mediante la medici¿on indirecta de variables tales como los nutrientes y el estado de irrigaci¿on[5]. Para poder determinar nutrientes como el nitrogeno, as¿¿ como la hidrataci¿on de un cultivo de forma no destructiva se pueden utilizar im¿agenes multiespectrales por medio de las cuales se pueden calcular diversos ¿¿ndices tales como el Indice diferencial de vegetaci¿on normalizado (NDVI), el indice de vegetaci¿on referenciado a tierra (GNDVI) y el indice mejorado de vegetaci¿on (EVI). Estos ¿¿ndices permiten determinar la presencia de vida vegetal as¿¿ como el estado de irrigaci¿on y de nutrientes, aplicando t¿ecnicas de regresi¿on sobre las im¿agenes a¿ereas [6], [7]. En Colombia seg¿un la federaci¿on nacional de cafeteros se tienen aproximadamente 903.954 hect¿areas sembradas de caf¿e as¿¿ como datos de el sector agroindustrial de la ca¿na (asoca¿na) reportan la existencia de m¿as de 243.232 hect¿areas cultivadas con ca¿na de az¿ucar[8]. Para 1 la producci¿on de ambas especies es primordial monitorear el estado de irrigaci¿on aportando a su crecimiento adecuado. La importancia de este proyecto de investigaci¿on radica en la facilidad que un sistema de estimaci¿on del estado de irrigaci¿on brinda tanto a peque¿nos, como a medianos cultivadores de la regi¿on, informaci¿on ¿util y oportuna para que estos puedan analizar sus cultivos de forma ¿agil, utilizando veh¿¿culos a¿ereos no tripulados y t¿ecnicas de la ciencia de los datos como visi¿on por computador y aprendizaje de m¿aquina (machine learning, deep learning) para clasificar sus cultivos seg¿un las necesidades sectorizadas de irrigaci¿on. Se pretende, en el desarrollo de este proyecto, investigar en como agilizar las tareas de inspecci¿on y toma de muestras mediante el uso de im¿agenes a¿ereas multi-espectrales, con el fin de brindar al cultivador resultados oportunos que le permitan actuar adecuadamente derivando en el correcto crecimiento de las plantas en su terreno, lo cual puede aumentar su productividad y reducir costos operativos y desperdicios asociados. Dado que la regi¿on cuenta con amplias zonas de cultivos tanto de caf¿e como de ca¿na de az¿ucar y que estas especies son representativas y generalmente se siembran como monocultivos [8], s

SÍNTESIS DEL PROYECTO

Una de las premisas de la agricultura de precisión es el monitoreo detallado de un cultivo a resolución de nivel de planta. Este tipo de seguimiento es un reto cuando se trata de extensas áreas cultivadas debido a las grandes cantidades de datos que se generan, en especial, teniendo en cuenta que se utilizan conjuntos de sensores para la adquisición de datos. La principal variable de interés en el desarrollo del proyecto es el estado de irrigación de cultivos, la cual, se puede medir utilizando drones o grupos de drones equipados con cámaras multi espectrales. Una vez se hace una captura de un terreno con uno o multiples cultivos, se deben analizar imágenes que presentan más de tres canales de color con información valiosa para determinar métricas como lo es el índice normalizado de vegetación o NDVI. En este proyecto se presenta una metodología para el manejo de grandes cantidades de imagenes multiespectrales, permitiendo el registro, el etiquetado y el entrenamiento de modelos de deep learning para monitorear cultivos a nivel de planta de forma agil y oportuna. El sistema descrito utiliza una base de datos de tipo SQL en la que se registran los metadatos de cada imagen, entre ellos la posición GPS en la cual fueron adquiridas. Con esta información se organizan para poder ser consultadas de forma rápida mediante la aplicación de una curva de llenado de espacio de Hilbert o HSFC. Adicionalmente, se propone un modelo de aprendizaje profundo, en específico, una modificación de la arquitectura U-NET, para identificar a nivel de píxel, especies cultivadas en la región del eje cafetero como son el café, el plátano y el aguacate. El entrenamiento del modelo y su validación requirieron de construir una base de datos de 270 imagenes multiespectrales etiquetadas de una granja donde se cultiva café, plátano y aguacate. Este modelo se ejecuto en un sistema embebido, el cual es una tarjeta de desarrollo Nvidia Jetson Nano, la cual puede ser cargada en un Drone para el procesamiento en línea de las imagenes adquiridas, agilizando el proceso de determinación del estado de irrigación de cultivos.

ESTADO

Concluye Satisfactoriamente

FECHA DE INICIO

28/01/2019

FECHA DE FINALIZACION

28/07/2020

FECHA DE FIN(PRÓRROGA)

28/12/2020

PRODUCTOS

A method for automated crop health monitoringin large areas using multi-spectral images and deep convolutional neural networks

Artículo en revista indexada

Aerial Wide-Area Image Storage and Retrieval for Deep Learning Training

Circulación de conocimiento especializado

CLASIFICACIÓN DE IMÁGENES DE ÁREA AMPLIA UTILIZANDO REDES NEURONALES CONVOLUCIONALES Aplicación en Agricultura de Precisión

Proyecto de grado

FEATCOMB

Productos tecnológicos certificados y validados

METODOLOGÍA PARA LA CAPTURA AUTOMÁTICA Y SINCRONIZADA DE IMAGENES AÉREAS MULTIESPECTRALES

Proyecto de grado

SISTEMA EMBEBIDO PARA LA CLASIFICACIÓN DE IMÁGENES EN TIEMPO REAL EN APLICACIONES AGRÍCOLAS Y/O INDUSTRIALES.

Proyecto de grado

Tópico especial: Introducción al aprendizaje profundo

Apoyo a la creación de cursos de postgrado