Identificación y conteo de aceitunas en imágenes digitales tomadas en el olivar mediante morfología matemática y redes neuronales convolucionales

Abstract

espanolLa estimacion precoz y precisa de la produccion es un objetivo muy codiciado en la agricultura moderna. En el caso de la olivicultura, ello toma una especial relevancia debido al alto valor economico que alcanza su produccion. Este articulo presenta una metodologia enfocada a lograr dicho objetivo. Concretamente, se propone un algoritmo de vision artificial capaz de detectar las aceitunas visibles en una imagen digital de un arbol de olivo, tomada directamente en campo, de noche y con iluminacion artificial. En primera instancia, esta imagen es preprocesada mediante tecnicas de morfologia matematica y filtrado estadistico para, a partir de ella, obtener un conjunto de subimagenes con alta probabilidad de contener una aceituna. Este preprocesamiento reduce el espacio potencial de busqueda en una magnitud de 103. A continuacion, estas subimagenes son clasificadas por una red neuronal convolucional como ‘aceituna’ o ‘descarte’. De un total de 304.483 subimagenes, extraidas de 21 imagenes, la red clasifico correctamente el 98,23%, y arrojo un coeficiente de determinacion R2 igual a 0,9875, al enfrentar el numero de aceitunas detectadas con el obtenido manualmente. Esta precision alcanzada indica que el algoritmo desarrollado constituye un paso certero en la implementacion de un futuro sistema de estimacion de la produccion de cultivos de olivo. EnglishEarly and accurate yield estimation is a very valued objective for modern agriculture. In the case of oliviculture, it is especially relevant due to the high economic value of its production. This paper presents a methodology aimed at achieving that end. Concretely, it comprises an artificial vision algorithm able to detect those olives that are visible in a digital image of an olive tree, captured directly in the field, at night-time and with artificial illumination. First, the image is preprocessed by means of mathematical morphology techniques and statistical filtering to, from this output, generate a subset of images with high probability of containing an olive. Thus, this preprocessing reduces the search space in a magnitude of 103. Next, these subimages are classified by a convolutional neural network as ‘olive’ or ‘discarded’. From a total of 304,483 subimages, extracted from 21 images, the net correctly classified 98.23% of cases, and gave a coefficient of determination R2 of 0.9875 when facing the number of detected olives to the real one. This achieved accuracy indicates that the found algorithm constitutes a solid step towards the implementation of a future system for early yield estimation of olive orchards