Procedimiento para la estimación automática de los componentes de la producción de un racimo de vid mediante visión artificial. 5 Objeto de la invención La presente invención se refiere a un procedimiento que permite estimar de fonna automática, y sin destrucción de los racimos, los componentes de la producción de un 10 racimo de vid mediante visión artificial.
La presente invención resulta de gran interés para el sector vitivinícola en general, y especialmente para la estimación de producción de cantidad y calidad de uva,
Generalidades y estado de la técnica anterior más próximo El número de bayas (granos de uva) , peso del racimo, y peso medio de las bayas, llamados componentes de la'producción, son parámetros clave para la estimación del rendimiento del viñedo. Estos parámetros tienen un impacto no sólo en el rendimiento 2 O del viñedo, sino también en la arquitectura del racimo y de su compacidad. Así los racimos compactos son más susceptibles a las enfermedades fúngicas, especialmente a Botr y tis y a Oidio. Por otra parte, los componentes del rendimiento influyen en la calidad de la uva y del vino. La pérdida de la calidad de la uva está causada tanto por la incidencia de patógenos, como por la maduración heterogénea de las bayas que tiene 2 5 lugar en racimos compactos. A nivel enológico se prefieren racimos pequeños, con pocas bayas y pequeñas.
La capacidad de predecir el rendimiento del vifledo se ha identificado en los últimos años como uno de los temas más rentables para el sector vitivinícola. La estimación del 30 rendimiento es un factor crítico para optimizar el manejo del viñedo y equilibrar entre crecimiento vegetativo y productivo. Hasta ahora se han utilizado varios métodos para la estimación del rendimiento de uva del viñedo, pero en general son destructivos, poco robustos y subjetivos. Típicamente, las predicciones de rendimiento se llevan a cabo utilizando el conocimiento de los rendimientos históricos de la viña, junto con las 35 mediciones realizadas manualmente en el campo. Estas mediciones de campo en general, consisten en el conteo de racimos por cepa y el peso la uva en unas pocas cepas del viñedo. Según Blom y Tarara (2009) 1IIIa precisión en la estimación del rendimiento de uva puede variar hasta un 20 % o más en algunos casos. Ferrer et al., (2004) 12) intentaron estimar el rendimiento en varios viñedos en Uruguay sobre la base de la 4 O disección de yemas, pero su precisión fue muy escasa. Todos estos métodos actuales son destructivos, y requieren mucho tiempo y trabajo. Además, en general no realizan un número representativo y suficiente de medidas para poder obtener una estimación el rendimiento de forma precisa y robusta.
El procedimiento tradicional de estimación de los componentes de la producción de uva del vii'ieclo se realiza mediante el pesaje de los racimos y el conteo de bayas en laboratorio. Esto requiere que los racimos han de ser desgranados manualmente para después, pesar las bayas o colocarlas en una bandeja y ser fotografiadas en condiciones controladas de luz para el posterior procesamiento de la imagen. Por lo tanto, este método es manual y destructivo. requiriendo el desgranado del racimo a muestrear. Además, por su laboriosidad, estos métodos manuales requieren una elevada mano de obra y tiempo de ejecución, por lo que los muestreos suelen ser pequeí'os, insuficientes y generalmente no representativos.
Otros sistemas permiten la estimación en campo del número de bayas mediante análisis de imagen, pero requieren la toma de imágenes por la noche (oscuridad total) , para evitar la influencia de la luz solar; además no estiman el peso del raci mo ni el peso medio de las bayas.
El análisis de imagen se utiliza ampliamente en la industria agroalimentaria para la clasificación de la fruta. Esta tecnología permite la creación de sistemas capaces de estimar o predecir algunas de las características de los objetos inspeccionados sin la necesidad de contacto, de una manera rápida, fiable y precisa. Recientemente, Herzog
et al. (2014) 131 han mostrado resultados muy interesantes sobre el uso de análisis de imágenes para el fenotipado de la vid. La visión por computador se ha utilizado en viticultura para evaluar el estado vegetativo y productivo del vii'iedo. Recientemente, (Diago et al., 2014) 141 desarrollaron un nuevo algoritmo para evaluar el número de flores por inflorescencia utilizando análisis de imagen en condiciones de campo.
Wycislo et al. (2008) 151 han utilizado diferentes parámetros O ratios para estimar la forma de las bayas en uva de mesa tales como la relación eje mayor/eje menor, forma y el valor de la compacidad. Recientemente, se ha desarrollado un nuevo método para la detección del pedúnculo del racimo de uva utilizando el análisis de imagen (Cubero et al., 2014) 16].
Para llevar a cabo la detección de las bayas en un racimo, se deben realizar los dos siguientes pasos: La extracción de los contornos, y la detección de los circulas en la imagen, ya que ésta es la supuesta forma de una baya. Varios métodos de extracción de contorno se han desarrollado pero el más ampliamente utilizado son los basados en 35 operadores SobeJ y Canny. Ambos se basan en el gradiente de la intensidad en las imágenes; Canny es más avanzado, ya que incluye el operador de Sobel como un paso intennedio. La detección de circulas en las imágenes es otro problema clave que los in vestigadores han intentado resolver a partir de un número de diferentes enfoques. La transfonnada de Hough es probablemente el más ampliamente extendido, pero con un muy alto coste de cálculo. Grossetéte et al. (2012) 171 utilizaron el reflejo de la luz del flash de una cámara digital para contar el número de bayas por racimo verde. Este enfoque no se puede aplicar después del envero (inicio de maduración de la uva) porque la pruina afecta a la reflexión de la luz. No existen métodos disponibles sobre la evaluación del peso de la baya o del peso del racimo de uva utilizando el análisis de 45 imagen.
La ventaja técnica de la presente invención es la de un procedimiento no destructivo, que pennite detenninar o estimar de forma automática, los componentes de la producción de un racimo mediante visión artificial: número de bayas, peso del racimo, y peso medio de las bayas.
Referencias bibliográficas 111 Blom PE and Tarara JM, Trellis tensicn monitoring improves yield estimation in vineyards. HortScience 44:678-685 (2009) .
121 Ferrer M, Abella J, Sibille 1, Camussi G and Gonzalez-Neves G, Detennination of bud fertility as a simple method foc the detennination of harvesting volume in Vitis vinifera L. CV tannat, using two pnming syslems. J Int Sci Vigne Vio 38:49-53 (2004) .
13) Herzog K, Roscher R, Wieland M, Kicherer A, Labe T, Forstner W, Kuhlmann H and Topfer R, Initial steps for high-throughput phenotyping in vineyards. Vitis 53: 1-8 (2014) .
141 Diago MP, Sanz-Garcia A, Millan B, Blasco J and Tardaguila J, Assessment of 20 flower number per inflorescence in grapevine by image analysis under field conditioos. J Sci Food Agric DOI: 10.1 002/jsfa.6512 (2014) .
151 Wycislo AP, Clark JR and Karcher DE, Fruit shape analysis of vitis using digital photography. HortScience 43:677-680 (2008) . 25
161 Cubero S, Oíago MP, Blasco J, TardaguilaJ, Millán B and Aleixos N, A new method for pediceVpeduncle detection and size assessment of grapevine berries and other fruils by image analysis. Biosyst Eng 117:62-72 (20 14) .
I7J Grossetete M, Berthoumieu Y, Da Costa JP, Gennain C, Lavialle O and Grenier G, Early estimation of vineyard yield: site specific counting of berries by using a smartphone. CIGR-AgEng2012 (2012) .
Descripción detallada de la invención El procedim lento para la estimación automática de los componentes de la producción de un racimo de vid mediante visión artificial de acuerdo a la presente invención comprende las etapas o pasos siguientes:
Etapa "a". Capturar una imagen RGS original (lOO) de un racimo (200) con una cámara (30) ) en una campana de adquisición (300) .
Se captura una pluralidad de imágenes, siendo tres, tomadas a 120'\ el mínimo número que garantiza el barrido de toda la envolvente convexa de un racimo (200) en tres 45 dimensiones a distancia finita. 4
Un modelo y distancia focal preferente de la cámara (30 1) es la siguiente: una camara Canon EOS 5500 con objetivo Canon EFS 18-55 (Canon Inc., Japan) con la distancia focaJ fijada a 55 mm.
Una configuración preferente de los parámetros de captura de la cámara (301) es: velocidad de obturación 200 ms, sensibilidad ISO 800, enfoque manual y balance de blancos 'Shadow', y una reso lución de las imágenes originales (100) de 0, 38 mm/pixel.
Una configuración preferente de la campana de adquisición (300) es la siguiente: interior recubierto por tejido difusor, unas Iwninarias (302) orientadas a 450 con respecto al racimo (200) y situadas a una distancia de 30 cm del racimo (200) a fotografiar. El sistema de iluminación, es decir las luminarias (302) , está compuesto por cuatro lámparas situadas en los extremos de la campana de adquisición (300) compuestas por
dos tubos fluorescentes (BioJux LI8W/965, 6500 K, Osram AG, Germany) alimentados por reactancias de alta frecuencia para evitar parpadeo (esta solución sí que ofrece mejoras frente a los LEO, por el CRJ, o frente a incandescentes por la menor emisión de calor) . Esta configuración logra una iluminación espacialmente más uniforme. Para evitar brillos no deseados se colocan unos filtros polarizadores (303) entre las luminarias (302) Y el racimo (200) y entre el racimo (200) y la cámara (30 1) .
y con los que corresponden al fondo (Ion.
En el caso de racimos (200) de uva tinta produce un efecto inesperado óptimo al elegir un fondo (1 01) de color naranja de componentes RGB:
R: 255 30 G: 175± 15
B: 85±15
En el caso de racimos de uva de variedades blancas produce un efecto inesperado óptimo al elegir un fondo ( 101 ) de color cian de componentes RGB: 35
R: 95±15
G: 130± 15
B: 180±15
Etapa "e". Detectar en la imagen binaria con racimo segmentado (102) los bordes mediante el método de Canny, para los canales rojo y verde. de forma paralela para posteriormente adicionar los resultados para obtener una imagen binaria de bordes (104) .
La imagen binaria de bordes (1 04) , resultado de este procedimiento, es un mapa binario de patrones en los que una cantidad limitada representan el contorno de las bayas.
Etapa "d". Detectar en la imagen binaria de bordes (104) los patrones circulares 5 para obtener una lista de círculos candidatos a representar bayas en la imagen para obtener una imagen binaria con centros de circulos candidatos (105) .
Una cantidad limitada de estos patrones se corresponderán con contornos de haya presentes en la imagen y otros no; en el paso siguiente se realizará el filtrado de los 10 perfiles erróneos.
Para realizar la detección de los patrones circulares se utiliza preferentemente la Transformada Circular de Hough (también es aplicable por ejemplo la Transformada de Simetría Radial) . La transformada de Hough permite encontrar patrones geométricos en dominios discretos como lo son las imágenes digitales. La Transfonnada Circular de Hough es la implementación concreta de dicha transformada para encontrar círculos. La implementación de la transformada utilizada requiere el establecimiento del valor de dos parámetros:
O Radio (R) : radio de los círculos a buscar en la imagen. Coincidencia en perímetro (CP) : se trata de un valor normalizado al intervalo [O, 1] que se calcula de la siguiente manera:
CP ~ ~1I2'pi'R
donde INIes el número de píxeles pertenecientes al perímetro del círculo de radio R en evaluación, que coinciden espacialmente con píxcles en la imagen bajo análisis.
Para faci litar el posterior filtrado de los candidatos a baya erróneos, se realiza la detección y almacenamiento de los mismos en una lista de la siguiente manera:
La detección de los candidatos se realiza partiendo desde CP = 1 hasta CP = 0.4 (decrementos de 0. 1) . Los candidatos con valores de CP menores no son 35 calculados porque no ofrecen la más mínima garantía de representar a un contorno de baya.
Para cada valor de CP, se buscan los candidatos con radio desde R = 15 (mm) hasta 3 (mm) . Los candidatos con valores de R fuera de este rango no son 4 O calculados ya que no tienen un tamaño representativo de ser baya.
De esta manera, se ha obtenido una lista de círculos en la que éstos están ordenados por orden decreciente de valor de CP y, para valores iguales de CP, por orden decreciente de radio.
Etapa "e". Filtrar en la imagen binaria con centros de círculos candidatos (JOS) las bayas (201) candidatas. para obtener una imagen con círculos definitivos (106) superpuesta a la imagen RGB original (lOo>.
Como resultado de la detección de círculos, se obtienen un gran número de candidatos. Es característico que para cada contorno de baya en la imagen se hayan generado muchos círculos candidatos con centros muy cercanos entre sí y distintos radios. En este paso, se seleccionan los mejores "representantes" de los contornos de baya eliminando sus vecinos. Para ello, se realiza el siguiente procedimiento:
Desde CP = I hasta CP = 0.4: para cada valor de CP se seleccionan los candidatos con mayor radio y se eliminan los de menor radio vecinos a éstos.
De esta forma, los candidatos seleccionados son aquéllos que cumplen que tienen mayor
correspondencia espacial con los perfiles de baya en la imagen. A su vez también se priorizan los candidatos con mayor radio, ya que al estar constituidos por un mayor número de píxeles, la probabilidad de que no estén representando un contorno de baya y sí cualquier otro patrón por ejemplo ruidoso, disminuye.
Etapa "r', Realizar un modelo numérico del número de bayas (201) Dor racimo (200) en función del número de círculos definitivos de la imagen Dara estimar el número de bayas (201) por racimo (200) .
Se realiza un modelo numérico para estimar el número de bayas por racimo en función del número de círculos definitivos de la imagen. Se determina la correlación lineal existente entre el número de bayas por racimo, obtenidas por método destructivo en laboratorio, y el número de bayas por racimo estimadas en la imagen, obteniendo y = Ax +B, y su R2; siendo A y B los coeficientes de la recta de regresión lineal. A modo de ejemplo no limitativo de la invención, en la FigA, se muestra para variedades Bodal y
Mazuelo, un gráfico de regresión cony=O.974·x-24.3 , R]=O, 885.
Etapa "g". Realizar un modelo numérico del peso del racimo (200) en función del número de círculos definitivos de la imagen Dara estimar el peso del racimo (200) .
Se realiza un modelo numérico para estimare! peso del racimo (g) en función del número de círculos definitivos de la imagen. Se determina la correlación lineal existente entre el peso del racimo (g) , obtenido por pesaje en laboratorio, y e! número de hayas por racimo estimadas en la imagen, obteniendo y = C-x +D, Y su R2; siendo e y D los coeficientes de la recta de regresión lineal. A modo de ejemplo no limitativo de la invención, en la 4 O fig.5, se muestra para variedades Bodal y Mazuelo, un gráfico de regresión con y=1, 7178x+77, 181 , R'=O, 8854,
Etapa "h". Calcular el peso medio de las bayas (201) del racimo (200) .
5 Se calcula el peso medio de las bayas de la siguiente manera: 7
Peso medio de las bayas (g) = Peso del racimo (g) / Nº de bayas por racimo Breve descripción de las figuras Glosario de referencias
W Procedimiento para la estimación automática de los componentes de la
producción de un racimo mediante visión artificial;
10 (100) Imagen RGB original;
(101) Fondo;
(102) Imagen binaria con racimo segmentado;
(104) Imagen binaria de bordes;
(105) Imagen binaria con centros de círculos candidatos;
15 (106) Imagen binaria con círculos definitivos;
(200) Racimo;
(201) Baya;
(300) Campana de adquisición;
(301) Cámara;
20 (302) Luminaria;
(303) Filtro polarizador;
Figura I (Fig.l) . muestra una configuración de una campana de adquisición (300) para capturar una imagen RGB original (100) de un racimo (200) , en condiciones de 25 laboratorio con iluminación controlada; el racimo (200) preferentemente es de una vid, tanto de variedades tintas como blancas.
Figura 2 (Fig.2) . muestra un diagrama de bloques con los flujos de movimiento según el estado de la técnica actual y según la presente invención. El estado de la técnica actual se encuentra reflejado mediante líneas de trazos discontinuos, mientras que los flujos de acuerdo a la presente invención se muestran mediante líneas de trazos continuos.
Figura 3 (Fig.3) . muestra un conjunto de imágenes del proceso de segmentación de 35 bayas en imágenes digitales:
Fig.3A. muestra una imagen RGB original (1 (0) ; Fig.3B. muestra una imagen binaria de bordes (104) ;
O Fig.3C. muestra una imagen binaria con centros de círculos candidatos (105) ; Fig.3D. muestra una imagen binaria con círculos definitivos (106) ; Fig.3E. muestra una imagen binaria con círculos definitivos (106) ,
representada sobre una imagen RGB original (100) ; Figura 4 (Fig.4) . muestra un gráfico, que se muestra a modo de ejemplo, donde se aprecian distintos valores de nº de bayas por racimo medidas frente a sus valores correspondientes de nO de bayas/racimo estimadas, así como la correlación lineal entre dichos valores.
Figura 5 (Fig.S) . muestra un gráfico, que se muestra a modo de ejemplo, donde se aprecian distintos valores de peso del racimo (g) medidos frente a sus valores correspondientes de nO de bayaslracimo estimadas, así como la correlación lineal entre dichos valores.
