Scribd
Cargar
23 vistas

Ganado JAIO

El documento describe un proyecto para desarrollar un sistema de conteo de plantas, árboles y ganado mediante procesamiento de imágenes capturadas por drones. Se generaron bases de datos propias y se obtuvieron resultados satisfactorios aunque se identificaron áreas de mejora, especialmente para el conteo de ganado.

Cargado por

Edwin Aguiar
Derechos de autor
© © All Rights Reserved
Formatos disponibles
Descarga como PDF, TXT o lee en línea desde Scribd
23 vistas

Ganado JAIO

El documento describe un proyecto para desarrollar un sistema de conteo de plantas, árboles y ganado mediante procesamiento de imágenes capturadas por drones. Se generaron bases de datos propias y se obtuvieron resultados satisfactorios aunque se identificaron áreas de mejora, especialmente para el conteo de ganado.

Cargado por

Edwin Aguiar
Derechos de autor
© © All Rights Reserved
Formatos disponibles
Descarga como PDF, TXT o lee en línea desde Scribd
Está en la página 1/ 4

JUI, Jornadas de Vinculación Universidad-Industriacd

Sistema de Conteo Forestal, Agrícola y Ganadero


mediante procesamiento de imágenes

César Martínez​1​, Enrique Albornoz​1​, Javier Pizarro​2​ y Ricardo Carolo​2


1​
Instituto de investigación en señales, sistemas e inteligencia computacional, sinc(i)
UNL-CONICET, Ciudad Universitaria, Ruta Nacional Nº 168, km 472.4, (3000) Santa Fe.
{cmartinez,emalbornoz}@sinc.unl.edu.ar - http://sinc.unl.edu.ar 
2​
Grupo MOST S.A.
Reconquista 656, 3er. Piso C.P. (CABA)
{javier.pizarro,ricardo.carolo}@grupomost.com - http://grupomost.com 

Resumen. ​Los sistemas de conteo actuales en agricultura y ganadería de precisión son


manuales, costosos y se realizan con base en muestreos estadísticos. Consecuentemente, una
herramienta que permita precisar y optimizar el sistema de conteo a través del procesamiento de
imágenes sería fundamental para evaluar la cantidad de plantas en estadios tempranos, la
calidad de los cultivos en el tiempo o el conteo exacto de cabezas de ganado. El proyecto
plantea el desarrollo de un prototipo de un sistema software para realizar el conteo de
poblaciones de plantas y/o ganado mediante técnicas de visión artificial aplicadas sobre videos
tomados desde un dron que sobrevuela el campo o desde cámara en tierra. Se generó un corpus
de videos propios para cada aplicación cubriendo diversas alturas y perspectiva del dispositivo
de captura, diferentes cultivos y variaciones en las condiciones ambientales. Los resultados
fueron satisfactorios en todos los escenarios experimentados, haciendo posible validar el
prototipo a fin de escalar a una versión comercial que incorpore robustez frente a variaciones en
coloración de objetos, tipos de campo, condiciones ambientales, entre otras.

Keywords: ​visión computacional, agricultura de precisión, ganadería de


precisión, conteo automático.

1 Caracterización del Proyecto

Generalidades

Las mediciones y las caracterizaciones de territorios se realizan con base en estudios


detallados y análisis de las características del área. Sin embargo, la forma tradicional
de observación actual requiere de recursos, esfuerzos y en algunos casos resulta
compleja [1]. La alternativa es la inspección de fotografías de las zonas, que
inicialmente se realizaba de manera manual sobre imágenes satelitales o capturadas
desde aviones y en la última década, con drones comerciales, involucrando métodos
de visión computacional para automatizar las tareas [2].
El área de visión computacional ha sido de ayuda en diversas aplicaciones de
agricultura y ganadería de precisión, tales como análisis de caña de azúcar [3],
conteos de frutas [4,5], identificación de filas de cultivo [6], clasificación de malezas
y de ganado Hereford en un campo de pastoreo [7], detección de plantas de citrus en
imágenes tomadas con un dron con redes convolucionales [8], entre otras.
Este trabajo fue financiado parcialmente por el programa Financiamiento

49JAIIO - JUI - ISSN: 2451-750X - Página 66


JUI, Jornadas de Vinculación Universidad-Industriacd

Fase Cero de la Fundación Sadosky, destinado a promover la realización de proyectos


cortos en los que una empresa y un grupo de investigación trabajen por primera vez
de manera conjunta para llevar a cabo estudios de factibilidad, pruebas de concepto,
prototipos o pilotos en un tema TIC.

Instituciones y Empresas Participantes


● sinc(i): instituto de investigación y desarrollo de nuevos métodos y
algoritmos para procesamiento de señales e imágenes, aprendizaje maquinal,
minería de datos y sistemas complejos. En el campo del procesamiento de
imágenes y visión computacional se tiene una experiencia de 15 años.
● GRUPO MOST ARGENTINA S.A.: empresa argentina dedicada desde 1994
a ofrecer soluciones de negocios y servicios informáticos de última
generación. Tiene amplia trayectoria en el mercado de servicios de
Administración de Infraestructura de TI, Software Factory, Soluciones
Mobile, Capacitación, Outsourcing e implementación de productos de
e-Government para ciudades inteligentes.

2 Materiales y métodos

Diseño del sistema

Una vez adquirido el video, éste es dividido en frames para su procesamiento. La


etapa de preprocesamiento incluye métodos de realce y restauración para lograr
imágenes normalizadas y con buenas características. En la etapa siguiente se
segmenta por color a los objetos candidatos y luego se aplican algoritmos de
seguimiento de objetos sobre todos los frames. Finalmente, es posible obtener el
conteo, implementado aquí con una línea inferior que cuenta el cruce de centroides.

Bases de datos
En el marco del proyecto se generaron distintas bases de datos1, una para cada
aplicación, las cuales fueron revisadas manualmente y etiquetadas por expertos en
agricultura y ganadería, más una base de datos disponible públicamente:
1. Datos para conteo forestal: 16 videos de aprox. 1 minuto de duración c/u,
tamaños variables entre 854x480 px a 1920x1080 px, tasa de frames por segundo
experimentada a 25, 30, 48 y 120 FPS, altura variable desde el piso (caminata con
celular) hasta drones a 80 m.

1
Los autores agradecen las bases de datos provistas por Estudio G&D de Ing.
Mariano Delbuono.

49JAIIO - JUI - ISSN: 2451-750X - Página 67


JUI, Jornadas de Vinculación Universidad-Industriacd

2. Datos para conteo agrícola: 64 videos a 1920x1080 px, duración media 20


segundos, altura variable entre nivel de piso (caminata) y dron a baja altura.
3. Datos para conteo de ganado: el corpus propio consta de 4 videos a
1920x1080 px y 120 FPS, tiempo promedio 82 segundos. El corpus adicional
utilizado fue el “Verschoor Aerial Cow Dataset” con 6 videos de 1920x1080 px a 60
FPS, tiempo promedio 47 segundos.

3 Resultados
Los resultados en el conteo de plantas fueron muy satisfactorios, donde fue posible
lograr buenos desempeños para el caso de diversos cultivos. En el caso de conteo
forestal se alcanzaron buenos resultados en el caso de baja altura donde los árboles
son visibles con color y área adecuadas para no ser confundidos con el resto del suelo.
En conteo de ganado, aunque aceptables en general, se obtuvieron resultados que
indican dos cuestiones: por un lado, que es factible avanzar con el método de visión
computacional planteado como una alternativa de solución. No obstante, los errores
surgidos también visualizan que el desempeño basado en visión computacional clásica
podría tener un techo debido a que los objetos tienen mucha variabilidad, hay cúmulos
de animales que generan objetos de área muy grande, similitud de animales con partes
del terreno, etc. Estos problemas podrían ser abordados mediante técnicas de
inteligencia artificial basadas en aprendizaje profundo.
La Figura 2 muestra un ejemplo de ventana de análisis de cada aplicación.

Fig. 2.​ Ejemplo de análisis forestal y agrícola (arriba) y ganadero (abajo).

49JAIIO - JUI - ISSN: 2451-750X - Página 68


JUI, Jornadas de Vinculación Universidad-Industriacd

4 Conclusiones

Desde un punto de vista técnico, podemos afirmar que el proyecto resultó exitoso ya
que se pudo llevar a cabo la definición de 3 tareas de interés en agricultura y
ganadería de precisión, el desarrollo y experimentación respectivas, finalizando con
prototipos que validan la solución tecnológica propuesta. A fin de escalar estos
sistemas iniciales y dar respuesta a productores de manera masiva, se debe avanzar en
la mejora y agregado de robustez frente a variabilidad relevada y discutida
previamente, lo cual puede también abordarse en un futuro a medida que se vayan
registrando más videos.
Desde el punto de vista de la colaboración universidad-empresa,
consideramos de manera conjunta que el proyecto mejoró las capacidades de uno y
otro lado, con aprendizajes mutuos de lenguaje específico del dominio de aplicación,
posibilidades y limitaciones de la visión computacional, necesidades del medio
productivo y cómo dar respuesta desde la academia, entre otros aspectos surgidos de
la interacción.
Finalmente, como próximos pasos podemos mencionar la realización de
pruebas de concepto con productores que se quieran sumar en esta etapa, permitiendo
el relevamiento de opiniones y evaluaciones sobre esta tecnología por parte de
diversos expertos usuarios.

Referencias
1. Montanari, A., et al. Surveying areas in developing regions through context aware drone
mobility. En Proceedings of the 4th ACM Workshop on Micro Aerial Vehicle Networks,
Systems, and Applications. ACM, p. 27-32 (2018).
2. America, N. Drones and aerial observation: New technologies for property rights, human
rights, and global development–A primer. Retrieved June, vol. 7, p. (2016).
3. Kamilaris, A.; Prenafeta-Boldu, F. Deep learning in agriculture: A survey. Computers and
Electronics in Agriculture, vol. 147, p. 70-90 (2018).
4. Rahnemoonfar, M.; Sheppard, C. Deep count: fruit counting based on deep simulated
learning. Sensors, vol. 17, no 4, p. 905 (2017).
5. Chen, S., et al. Counting apples and oranges with deep learning: A data-driven approach.
IEEE Robotics and Automation Letters, vol. 2, no 2, p. 781-788 (2017).
6. Zhao, S.; Zhang, Z. A new recognition of crop row based on its structural parameter
model. IFAC-PapersOnLine, vol. 49, no 16, p. 431-438 (2016).
7. Sadgrove, E., et al. Fast object detection in pastoral landscapes using a Colour Feature
Extreme Learning Machine. Computers and electronics in agriculture, vol. 139, p. 204-212
(2017).
8. CSILLIK, Ovidiu, et al. Identification of citrus trees from unmanned aerial vehicle
imagery using convolutional neural networks. Drones, 2018, vol. 2, no 4, p. 39.

49JAIIO - JUI - ISSN: 2451-750X - Página 69

También podría gustarte