Cada vez existe mayor demanda de técnicas de visión por computador eficientes para el procesamiento de imágenes captadas por cámaras instaladas en vehículos autónomos. En este trabajo de investigación se han desarrollado dos técnicas; una para la identificación de plantas verdes y otra para la detección de obstáculos en imágenes de campos de maíz obtenidas mediante un sistema de visión monocular para tractores del proyecto RHEA (Robot Fleets for Highly Effective Agriculture and Forestry Management).
En imágenes agrícolas la vegetación se detecta generalmente mediante índices de vegetación y métodos de umbralización. Los índices se calculan a partir de las propiedades espectrales en las imágenes de color. En esta tesis se propone un nuevo método con tal fin, lo que constituye un objetivo primordial de la investigación. La propuesta se basa en una estrategia conocida como bolsa de palabras conjuntamente con un modelo se aprendizaje supervisado. Inicialmente, la imagen se divide en regiones de interés (RIs). Dada una colección de RIs, obtenida de un conjunto de imágenes agrícolas, se calculan sus características locales que se agrupan por su similitud. Cada grupo representa una palabra visual, y el conjunto de palabras visuales encontradas forman un diccionario visual. Cada RI se representa por un conjunto de palabras visuales las cuales se cuantifican de acuerdo a su ocurrencia dentro de la región obteniendo así un vector-código. Finalmente, se usan las Máquinas de Vectores Soporte para evaluar los vectores-código y así, discriminar entre RIs que son vegetación del resto. Los resultados obtenidos muestran que el método es suficiente para identificar las plantas bajo diferentes condiciones de iluminación y crecimiento de las mismas con una tasa de clasificación de 95% para discriminar plantas del resto de los elementos en una imagen. El método en conjunto obtuvo una tasa de acierto del 86% para la segmentación de la vegetación.
Con respecto a la detección de obstáculos, se propone un método basado exclusivamente en la información contenida en imágenes agrícolas consecutivas. El método ha sido diseñado para detectar y discriminar entre obstáculos estáticos y no estáticos, siendo éste el objetivo fundamental del trabajo de investigación desarrollado en esta línea. En ambos casos, se trata de un método de ayuda a la navegación para evitar colisiones. En una primera fase, se obtienen propiedades de textura y color para identificar los elementos no habituales en el campo de cultivo, es decir, aquellos que no son plantas ni suelo. Posteriormente, para discriminar entre elementos estáticos de los no estáticos se hace uso de la derivada temporal, sin necesidad de aprendizaje, suponiendo un avance respecto de los métodos existentes a la vez que un objetivo específico. La validación de la técnica se hizo en dos partes, primero se evaluó la segmentación de los objetos y posteriormente se probó la eficacia del método para detectar movimiento. En la primer fase, el algoritmo de segmentación resultó eficiente alcanzando una tasa de detección de 93.88%. Para la detección de movimiento, los resultados se presentan favorables para discriminar entre obstáculos estáticos y en movimiento cuando el tractor está parado, con un valor de detección promedio de 95%. Sin embargo, el método presenta fallos cuando el tractor y los objetos están en movimiento obteniendo una tasa de discriminación de 66%. En este sentido, aún es difícil determinar si el movimiento proviene del vehículo o de los objetos, se requiere un esfuerzo adicional para mejorar los resultados bajo este escenario.
En conclusión, se han diseñado métodos eficientes para la detección de verdes y la detección de obstáculos en el contexto de las imágenes obtenidas durante el desarrollo del proyecto RHEA. En ambos casos, los resultados son semejantes a los obtenidos en la literatura actual y son una alternativa que pueden ser considerados durante el diseño de vehículos agrícolas autónomos.
© 2001-2024 Fundación Dialnet · Todos los derechos reservados