Resumen de Sensors and methodologies design for image processing in precision agriculture: Crop water status and fruit ripening monitoring

Jaime Giménez Gallego

• español

  El agua es un bien esencial para la vida humana y su escasez tiene un impacto determinante sobre la sociedad y la economía. La agricultura es el principal sector consumidor de agua dulce y, como tal, se resiente especialmente. En regiones áridas y semiáridas, como el sureste de España, la disponibilidad de agua de riego condiciona el tipo de cultivo y el volumen de producción. Además, el contexto mundial actual de cambio climático y crecimiento poblacional tensionan la situación con un mayor déficit hídrico y demanda de productos agrícolas, que conforman la base de nuestra alimentación, respectivamente.

  Por tanto, se nos plantea el reto ineludible de ser más eficientes, de producir más con menos. La respuesta de la ciencia ha sido el desarrollo de técnicas de riego deficitario controlado (RDC o RDI en inglés), con las que se pretende reducir notablemente el consumo de recursos hídricos de forma precisa en determinadas épocas de la temporada, minimizando el perjuicio sobre el volumen y la calidad de la cosecha. Sin embargo, la aplicación satisfactoria de estas estrategias de riego requiere de un control continuo del estado de la plantación. Resulta crucial evitar que el estrés hídrico supere niveles extremos, que ponga en riesgo la producción o provoque un estado irrecuperable del cultivo en último término, así como asegurar que se cubren las necesidades hídricas en los periodos críticos. Por ello, se emplean diferentes indicadores del estado hídrico, siendo el potencial hídrico de tallo, medido a mediodía con cámara de presión, el considerado como referencia. El inconveniente de este método es que no permite una monitorización continua, por lo que su uso no es viable para una gestión automática del riego. Con el objetivo de estimar el estado del cultivo de forma autónoma, se han investigado otros indicadores que están relacionados para una medida indirecta.

  Uno de ellos es la temperatura del dosel vegetal, ampliamente estudiado. Las plantas regulan su temperatura por medio de la evapotranspiración, que controlan a través de la apertura de sus estomas. Cuando sufren déficit hídrico no pueden permitirse desprenderse de agua de forma ilimitada, por lo que restringen la apertura estomática. Así, su mecanismo de regulación térmica se ve limitado y, consecuentemente, el aumento de la temperatura de las hojas es irrefrenable en condiciones de elevada temperatura ambiente. Este efecto se puede capturar de forma remota a través de sensores infrarrojos, como los termorradiómetros, que son los más extendidos en campo. No obstante, no cuentan con la capacidad de discriminar el dosel vegetal en su medida de temperatura, algo crítico para asegurar la precisión, lo que los hace totalmente dependientes de una correcta orientación. El empleo de la termografía como alternativa se ha vuelto más común en los últimos años, favorecido por el abaratamiento de la tecnología. Las cámaras térmicas ofrecen un mapa de temperaturas sobre el que es posible filtrar aquellos valores que no se corresponden con regiones de interés. Para automatizar este proceso se recurre al procesamiento de imagen visible.

  La segmentación automática de las imágenes supone un problema clásico para la visión por computador. Recientemente, la revolución de la Inteligencia Artificial ha incidido de forma decisiva en el rendimiento del procesamiento de imagen aplicado a entornos naturales complejos. Esto ha desatado multitud de aplicaciones en agricultura, aunque se considera necesario seguir profundizando en el desarrollo y aplicación de nuevos modelos. Además de la segmentación del dosel vegetal para la estimación del estrés hídrico, el análisis de imagen visible es una herramienta con un gran potencial para monitorizar parámetros agronómicos de interés en los cultivos. En el caso de los árboles frutales, el seguimiento de indicadores visuales de los frutos puede aportar información para estimar la etapa de maduración y fase fenológica del cultivo, muy importante para la adecuada gestión del riego deficitario, o predecir el volumen y fecha de cosecha. La implementación de esta tecnología en sensores de bajo coste apoyaría la aplicación práctica extensiva de la Agricultura de Precisión en las explotaciones agrícolas.

  Esta tesis, presentada bajo la modalidad de compendio de publicaciones, a través de cuatro artículos científicos, aborda la propuesta de soluciones asequibles basadas en imagen para la monitorización automática y continua del estado del cultivo. Para ello, genera modelos de segmentación de imagen semántica para discriminar las hojas de los árboles, diseña y caracteriza un sensor basado en imagen térmica y visible de bajo coste para la medida autónoma de la temperatura del dosel vegetal, evalúa dicho dispositivo en condiciones reales en campo comparándolo con un sensor de referencia, explora modelos de segmentación de imagen de instancias para identificar frutos en los árboles y desarrolla un algoritmo de procesamiento de imagen para la estimación de su tamaño.

  http://repositorio.bib.upct.es/dspace/

• English

  This doctoral dissertation has been presented in the form of thesis by publication. Water is an essential resource for human life and its scarcity has a decisive impact on society and economy. Agriculture is the main consumer of fresh water and thus is particularly affected. In arid and semi-arid regions, such as southeastern Spain, the availability of irrigation water conditions the type of crop and the production volume. In addition, the current global context of climate change and population growth stresses the situation with a greater water deficit and demand for agricultural products, which constitute the basis of our diet, respectively. Therefore, we face the unavoidable challenge of being more efficient, to produce more with less. The response of science has been the development of regulated deficit irrigation (RDI) techniques, which aim to significantly reduce the consumption of water resources precisely at certain periods of the season, minimizing the impact on the volume and quality of the harvest. However, the successful implementation of these irrigation strategies requires continuous control of the plantation's status. It is crucial to prevent water stress from exceeding extreme levels, which would threaten production or ultimately lead to an unrecoverable crop condition, and to ensure that water needs are satisfied during critical periods. For this reason, different indicators of water status are employed, being the stem water potential (SWP), measured at midday with a pressure chamber, the one considered as a reference. The disadvantage of this method lies in that it does not allow continuous monitoring, so it is not feasible for automatic irrigation management. With the objective of estimating crop status autonomously, other related indicators have been proposed for indirect measurement. One of these is crop canopy temperature, which has been extensively studied. Plants regulate their temperature by means of evapotranspiration, which they control through stomatal aperture. When they experience water deficit, they cannot afford to lose wáter in an unlimited way, so they restrict stomatal aperture. Hence, their thermal regulation mechanism is limited and, consequently, the increase in leaf temperature is irrepressible under high ambient temperature conditions. This effect can be remotely captured through infrared sensors, such as infrared radiometers (IR), which are the most widely spread in the field. Nevertheless, they lack the capability to discriminate the crop canopy in their temperature measurement, which is critical to ensure accuracy, making them totally dependent on correct orientation. The use of thermography as an alternative has become more common in recent years, favored by cheaper technology. Thermal cameras provide a temperature map on which it is possible to filter out those values that do not correspond to regions of interest. To automate this process, visible image processing is used. Automatic image segmentation is a classic problem for computer vision. Recently, the Artificial Intelligence (AI) revolution has had a decisive impact on the performance of image processing applied to complex natural environments.