Dr. Pedro Alfonso Ramírez Pedraza

Fecha: 31 de Marzo de 2021

Edición: Marzo 2021 No. 26

Robótica e inteligencia artificial

¿Por qué cultivar en invernadero?, principalmente se cultiva en invernadero para resguardar a las plantas o cultivos de daños ambientales como heladas, fuertes vientos, granizo o plagas de insectos. La producción en un ambiente cerrado, tiene como finalidad controlar el clima, generando condiciones artificiales a lo que se le conoce como microclima; estas condiciones generan a las plantas una mayor productividad con mínimo costo y en menor tiempo. El estudio del crecimiento de las plantas, especialmente de plántula producida en invernaderos, es de vital importancia para comprobar los procesos de desarrollo de las mismas y mejorar su calidad (tamaño, compacidad, ramificación, color) y su calidad fisiológica (salida del reposo, resistencia al estrés, mejorar la poscosecha).

Por otro lado, al supervisar el crecimiento de las plántulas, los cultivadores pueden optimizar insumos como el fertilizante, el agua, la energía para la iluminación y el combustible para la calefacción. La supervisión del crecimiento de las plántulas de forma manual o mediante métodos destructivos no es una práctica efectiva en los invernaderos. Una opción disponible es utilizar la tecnología para controlar de forma no invasiva el crecimiento de las plántulas abarcando grandes áreas en poco tiempo. El autor de este escrito propone un nuevo enfoque que estudia las características geométricas de la plántula en series temporales, seguido de un análisis computacional capaz de obtener resultados en tiempo real; el estudio se realiza en invernaderos privados y en el invernadero del Parque Cimatario en la Cd. De Querétaro. Casi todas las soluciones de visión artificial aplicables a la medición del crecimiento de las plantas a partir de imágenes dependen fundamentalmente de la segmentación y el análisis de la estructura, dos etapas de procedimiento fundamental que sirven para comprender los procesos de desarrollo de las mismas [1]. Los primeros profesionales de la visión por computadora reconocieron y abordaron estas cuestiones generales ideando soluciones algorítmicas para los retos de encontrar líneas, esquinas y límites en las imágenes digitales [2-8]; estas soluciones se resuelven haciendo uso de datos 2D. Estos trabajos hoy en día siguen sirviendo de base para los enfoques de análisis de imágenes sobre el crecimiento de las plantas. A diferencia de trabajos anteriores, en este trabajo se hace uso de un sensor láser tridimensional para escanear la plántula en dos ángulos de visión diferentes. Como resultado del escaneo se obtienen nubes de puntos con plántulas completamente escaneadas. En la Fig. 1 (Cortesía [9]) se muestra como ejemplo la plántula de cebolla cultivada en invernadero.

Los datos 3D brindan características más exactas, a diferencia de los datos 2D, de la forma de la superficie de las plantas y sus dimensiones; los métodos actuales para el análisis cuantitativo se limitan a procesos tediosos realizados manualmente o a ineficientes mediciones basadas en imágenes (2D). Sumado a eso, se tienen otros retos importantes; por ejemplo, durante el desarrollo de la plántula pueden llegar a crecer nuevos brotes vegetativos, lo que causa confusión en los algoritmos y el análisis se puede volver inservible.

Los avances obtenidos hasta el momento en el trabajo que aquí se presenta, son alentadores ya que además de hacer uso de escaneos 3D, se realiza un análisis hacia adelante y hacia atrás; centrándose principalmente en el seguimiento de eventos de crecimiento o decrecimiento de la plántula. Cabe mencionar que los escaneos tridimensionales son puntos en el espacio tridimensional que no contienen un índice de color que represente la textura. Como se ha mencionado anteriormente, en este estudio es importante obtener información que describa la morfología de la plántula. Una vez realizados los escaneos de diferentes plántulas y segmentados los puntos de interés, es posible obtener la forma de la superficie y sus características para ser presentadas al usuario final para la toma de decisiones.

El análisis en serie temporal del crecimiento de la planta, puede ayudar a los productores a detectar tempranamente enfermedades y hasta predecir su rendimiento. En la Fig. 2 se muestra el comportamiento medio de la cuantificación de los métodos de segmentación por partición; mientras que en la Fig. 3, se presenta el mismo comportamiento medio del rendimiento de los algoritmos de segmentación basados en densidad. Los cuatro algoritmos fueron optimizados para su comparación.

Finalmente, después de estudiar al menos cien escenarios diferentes de plántulas, se demuestra cuantitativamente que el método GMM Gaussian Mixture Model tiene mejor precisión al segmentar nubes de puntos de plántula. Los resultados al momento son parciales, se prevé que el sistema propuesto será robusto y escalable, permitiendo aplicarse en diferentes tipos de plántulas para extraer la información que sea de interés del usuario final.

Bibliografía

[1] Edgar P Spalding, Nathan D Miller, Image analysis is driving a renaissance in growth measurement, Current Opinion in Plant Biology, Volume 16, Issue 1, 2013, Pages 100-104, ISSN 1369-5266. [2] Horn BKP: The Binford–Horn Line-Finder. Cambridge, MA: M.I.T. Artificial Intelligence Lab; 1971:. (AI Memo). [3] Rosenfeld A, Thurston M: Edge and curve detection for visual scene analysis. IEEE Trans Comput 1971, 20:562-569. [4] Canny J: A computational approah to edge detection. IEEE Trans Pattern Anal Mach Intell 1986, 8:679-689. [5] Harris C, Stephens M: A combined corner and edge detector. Proc. Fourth Alvey Vision Conference. 1988:147-151. [6] Weszka JS, Nagel RN, Rosenfeld A: A threshold selection technique. IEEE Trans Comput 1974, C-23:1322-1326. [7] Ridler TW, Calvard S: Picture thresholding using an iterative selection method. IEEE Trans Syst Man Cybern 1978, 8:630-632. [8] Otsu N: A threshold selection method from gray-level histograms. IEEE Trans Syst Man Cybern 1979, 9:62-66. [9] https://plantulasalfaro.jimdofree.com/tienda/