Segmentación automática de cultivos de higos a partir de imágenes tomadas por drones

En la actualidad la humanidad cuenta con más de siete billones de habitantes, como resultado las necesidades alimenticias de nuestra especie han incrementado tremendamente respecto a otros períodos históricos. Es por ello que, hoy día es imperativo abandonar las prácticas ineficientes del pasado y asegurarnos de realizar un uso más eficiente y racional de los recursos si queremos preservar el futuro de próximas generaciones. La agricultura de precisión nos permite incrementar la eficiencia de nuestros cultivos mediante el empleo de avanzadas técnicas de reconocimiento de imágenes e inteligencia artificial que nos permiten determinar la cantidad exacta de agua y fertilizantes que una porción de cultivo o planta necesita para crecer de manera sana. Ahorrándose enormes cantidades de recursos y con grandes dividendos económicos. En el corazón de estas técnicas siempre se requiere de un mecanismo de segmentación que separe las plantas de interés en imágenes y/o videos para luego aplicar las técnicas de precisión. En este trabajo se propone una solución a dicha problemática, pero para escenarios de cultivos de higos más complejos, donde las sombras, el método de captura, la iluminación y objetos ajenos al cultivo son variables no controladas con las que el sistema debe lidiar para realizar la segmentación. Para ello se empleó una red neuronal no supervisada conocida como SOM (Self-Organizing Maps por sus siglas en inglés) junto a otras técnicas estocásticas y de segmentación simple para realizar el proceso de aprendizaje y clasificación, obteniéndose resultados superiores en precisión y especificidad a los de otros mecanismos ya establecidos como los índices de color.

Today, humanity has more than seven billion inhabitants, as a result the food needs of our species have increased tremendously compared to other historical periods. That is why today it is imperative to abandon the inefficient practices of the past and make sure that we make more efficient and rational use of our resources if we want to preserve the future of next generations. Precision agriculture allows us to increase the efficiency of our crops by using advanced techniques of image recognition and artificial intelligence allowing us to determine the exact amount of water and fertilizers that a portion of the crop or plant needs to grow in a healthy way. Saving huge amounts of resources and generating large economic dividends. At the heart of these techniques is always required a segmentation mechanism that separates the plants of interest in images and/or videos to then apply the techniques of precision. This work proposes a solution to this problem for complex scenarios of crop figs, where shadows, the method of capture, lighting and objects outside the crop are uncontrolled variables with which the system must deal to perform a successful segmentation. For this, a non-supervised neural network known as SOM (Self-organizing Maps) was used along with other stochastic techniques to carry out the process of learning and classification, yielding superior results in precision and specificity to those of already established mechanisms such as color indices.