A system for classifying vegetative structures on coffee branches based on videos recorded in the field by a mobile device A system for classifying vegetative structures on coffee branches based on videos recorded in the field by a mobile device

Como bebida, el café es uno de los productos de mayor demanda a nivel mundial; como producto agrícola, requiere herramientas no destructivas para su monitoreo y control. Con el fin de crear un método no destructivo que pudiera utilizarse en campo, se desarrolló un sistema para detectar y clasificar seis tipos de estructuras vegetativas en ramas de café: hojas, tallos, flores, frutos inmaduros, frutos semimaduros y frutos maduros. Los videos fueron obtenidos de 12 ramas de café en condiciones de campo utilizando la cámara trasera de un dispositivo móvil. De cada video se seleccionaron aproximadamente 90 fotogramas que contenían la mayor cantidad de información de la escena. Posteriormente, se generó una reconstrucción tridimensional (3D) de cada rama mediante las técnicas Structure from Motion (SfM) y Patch-based Multi-view Stereo (PMVS). Todas las imágenes adquiridas fueron etiquetadas manualmente y se generó una nube de puntos de referencia (Ground Truth) para cada rama. Las nubes de puntos generadas fueron filtradas mediante un filtro estadístico de valores atípicos para eliminar el ruido producido durante el proceso de reconstrucción 3D. Los puntos ubicados en la parte más profunda fueron considerados como fondo de la escena y eliminados mediante un filtro de paso de banda. Además, las nubes de puntos fueron submuestreadas utilizando un filtro VoxelGrid para reducir el número de puntos al 50 % y, de esta manera, disminuir el tiempo de cómputo de los procesos posteriores. A partir de las nubes de puntos se extrajeron diversas características bidimensionales (2D) y tridimensionales (3D): 11 basadas en los espacios de color RGB, Lab, Luv, YCbCr y HSV; cuatro basadas en curvaturas; y dos relacionadas con índices de forma y curvatura. Con estas características se entrenó una Máquina de Vectores de Soporte (SVM), utilizando ocho ramas para la fase de entrenamiento y cuatro ramas para la fase de validación. Los resultados experimentales mostraron una precisión de 0,82 y una sensibilidad (recall) de 0,79 en la clasificación de las estructuras vegetativas. El sistema propuesto es económico, ya que solo requiere un dispositivo móvil para obtener la información, mientras que los demás procesos se realizan fuera de línea. Además, el sistema desarrollado no se vio afectado por cambios en las condiciones de iluminación durante la grabación de videos en plantaciones de café.

Citación APA 7ed: