Sistema de visión de máquina para detectar maleza usando filtros de imágenes en cultivos de hortalizas

Autores/as

  • Camilo Andrés Pulido-Rojas Universidad Militar Nueva Granada
  • Manuel Alejandro Molina-Villa Universidad Militar Nueva Granada
  • Leonardo Enrique Solaque-Guzmán Universidad Militar Nueva Granada

DOI:

https://doi.org/10.17533/udea.redin.n80a13

Palabras clave:

detección de maleza, visión de máquina, remoción de maleza, clasificación cultivo

Resumen

El presente trabajo expone un sistema de visión de máquina para la detección de maleza en cultivos de hortalizas, usando imágenes exteriores, evadiendo problemas de iluminación y nitidez durante la etapa de adquisición, ya que el presente desarrollo será un módulo para un robot móvil removedor de maleza con una cámara oscura para controlar las condiciones de luz. El enfoque de diseño se enmarca en el desarrollo de un algoritmo útil para discriminar maleza usando filtros en la imagen extrayendo características de color y área, luego se implementa un proceso de etiquetado para cada objeto en la escena. Finalmente, una clasificación basada en área es propuesta incluyendo el cálculo de los índices de sensibilidad, especificidad, valores predictivos positivos y negativos con el fin de evaluar el rendimiento del algoritmo.

|Resumen
= 385 veces | PDF (ENGLISH)
= 201 veces|

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

Camilo Andrés Pulido-Rojas, Universidad Militar Nueva Granada

Grupo de investigación GIDAM, Facultad de Ingeniería.

Manuel Alejandro Molina-Villa, Universidad Militar Nueva Granada

Grupo de investigación GIDAM, Facultad de Ingeniería.

Leonardo Enrique Solaque-Guzmán, Universidad Militar Nueva Granada

Grupo de investigación GIDAM, Facultad de Ingeniería.

Citas

M. Mustafa, A. Hussain, K. Ghazali and S. Riyadi, “Implementation of Image Processing Technique in Real Time Vision System for Automatic Weeding Strategy”, in IEEE International Symposium on Signal Processing and Information Technology, Giza, Egypt, 2007, pp. 632-635.

A. Tellaeche, G. Pajares, X. Burgos and A. Ribeiro, “A computer vision approach for weeds identification through Support Vector Machines”, Applied Soft Computing, vol. 11, pp. 908-915, 2011.

A. Tellaeche, X. Burgos, G. Pajares and A. Ribeiro, “A vision-based method for weeds identification through the Bayesian decision theory”, Pattern Recognition, vol. 41, pp. 521-530, 2008.

H. Liu, S. Lee and C. Saunders, “Development of a machine vision system for weed detection during both of off-season and in-season in broadacre no-tillage cropping lands”, American Journal of Agricultural and Biological Sciences, vol. 9, pp. 174-193, 2014.

A. Shinde and M. Shukla, “Crop detection by machine vision for weed management”, International Journal of Advances in Engineering & Technology, vol. 7, pp. 818- 826, 2014.

H. Jeon, L. Tian and H. Zhu, “Robust Crop and Weed Segmentation under Uncontrolled Outdoor Illumination”, Sensors, vol. 11, pp. 6270-6283, 2011.

D. Woebbecke, G. Meyer, K. Von and D. Mortensen, “Color Indices for Weed Identification Under Various Soil, Residue, and Lighting Conditions”, Transactions of the ASAE, vol. 38, pp. 259-269, 1995.

A. Muangkasem, S. Thainimit, R. Keinprasit and T. Isshiki, “Weed Detection over Between-Row of Sugarcane Fields Using Machine Vision with Shadow Robustness Technique for Variable Rate Herbicide Applicator”, Energy Research Journal, vol. 1, no. 2, pp. 141-145, 2010.

D. Woebbecke, G. Meyer, K. Von and D. Mortensen, “Plant species identification, size, and enumeration using machine vision techniques on near-binary images”, in SPIE Conference on Optics in Agriculture and Forestry, Boston, USA, 1993, pp. 208-219.

A. Perez, F. Lopez, J. Benlloch and S. Christensen, “Colour and shape analysis techniques for weed detection in cereal fields”, Computers and Electronics in Agriculture, vol. 25, pp. 197-212, 2000.

L. Wiles, “Software to quantify and map vegetative cover in fallow fields for weed management decisions”,Computers and electronics in agriculture, vol. 78, pp. 106-115, 2011.

I. Pitas and A. Venetsanopoulos, Nonlinear digital filters: principles and applications, 1st ed. New York, USA: Springer, 1990.

B. Justusson, “Median Filtering: Statistical Properties”, in Two-Dimensional Digital Signal Prcessing II, T. Huang (ed). Berlin, Germany: Springer, 2006, pp. 161-196.

N. Otsu, “A threshold selection method from gray-level histograms”, IEEE Transactions on Systems, Man , and Cybernetics, vol. 9, no.1, pp. 62-66, 1979.

P. Soille, Morphological image analysis. Principles and applications, 2nd ed. Berlin, Germany: Springer, 2004.

J. Semmlow and B. Griffel, Biosignal and medical image processing, 3rd ed. Boca Raton, USA: CRC Press, 2014

L. Shapiro and M. Haralick, Computer and Robot Vision, 1st ed. Boston, USA: Addison-Wesley, 1992.

R. Kumar, K. Ramareddy and B. Rao, “A Simple Region Descriptor based on Object Area per Scan Line”, International Journal of Computer Applications, vol. 3, no. 7, pp. 24-27, 2010.

Descargas

Publicado

2016-09-15

Cómo citar

Pulido-Rojas, C. A., Molina-Villa, M. A., & Solaque-Guzmán, L. E. (2016). Sistema de visión de máquina para detectar maleza usando filtros de imágenes en cultivos de hortalizas. Revista Facultad De Ingeniería Universidad De Antioquia, (80), 124–130. https://doi.org/10.17533/udea.redin.n80a13

Artículos más leídos del mismo autor/a

Artículos similares

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 > >> 

También puede {advancedSearchLink} para este artículo.