DL4BD: Deep Learning for 2D grapevine bud detection

Pre-print disponible en: https://arxiv.org/abs/2008.11872

Tanto en la smart farming, la agricultura sostenible, como en los ecosistemas agrícolas complejos, datos variados e impredecibles deben analizarse y comprenderse mejor. Existen diferentes variables que permiten al productor tomar decisiones en diferentes etapas durante el ciclo de cultivo. Estas decisiones buscan optimizar la producción tanto en calidad como en cantidad.

Obtener datos a partir de algunas variables agrícolas implica contabilizar objetos como yemas no brotadas, número de flores, cantidad de bayas, cantidad de racimos, número de plantas por claro, riqueza de poda, brotes totales y brotes de yemas francas. Para otras variables es necesario estimar diferentes magnitudes, como ser el área total de la superficie de las hojas de una planta, o estimar volúmenes que permitan ser correlacionados con el peso del racimo, el peso de las bayas o el peso de poda. Otras requieren medir longitudes como ser el diámetro del tronco, longitud de entrenudos, longitud de 1er alambre descubierto y longitud del brote. En general, la mayor parte de la adquisición de variables se realiza por inspección visual humana, lo que resulta en costos elevados a cambio de adquirir pequeñas muestras de datos.

Estado actual:

Cerrado

Hipótesis General

Mediante el uso de algoritmos de Deep Learning se puede construir un enfoque de deteccion de yemas de vid en imagenes 2D, cuando la captura de imágenes se realizan al aire libre, durante un tiempo determinado, por personal no-especializado en mediciones agrícolas, en plantas de viñedos reales de la provincia de Mendoza, condiciones de luminosidad y clima naturales en campo, y sistemas de adquisición de imágenes de bajo costo. La precision de este enfoque deberá ser suficiente para detectar y determinar la posicion x,y,z de una yema de vid, tal que pueda ser utilizado para conteo de yemas para estimacion de produccion, entre otras aplicaciones.

Justificación de la Hipótesis

Entre las TICs de recolección de datos incorporadas a la agricultura se encuentran las de reconocimiento visual automático. En los últimos años, las redes neuronales artificiales han resultado objeto de gran interés tanto para la comunidad científica como para la industria para llevar a cabo esta tarea de reconocimiento visual. También se conocen como redes de deepleaning, ya que su arquitectura utiliza varias capas ocultas. Actualmente se consideran el estado del arte para las tareas de reconocimiento, localización y segmentación de imágenes. Particularmente las Convolutional neural networks (CNNs) se han convertido en el enfoque dominante de machine learning para el reconocimiento visual de objetos.