Detección de variedad y estado de maduración del ciruelo japonés mediante Deep-learning

Abstract

Food and Agriculture Organization of the United Nations sitúa a España como el séptimo productor de ciruelas del mundo y el tercero a nivel europeo. La importancia económica que tiene el cultivo de este fruto en nuestro país es evidente. En Extremadura el ministerio de Agricultura, Pesca, Alimentación y Medio Ambiente Español, cifra en 6500Has el territorio dedicado a esta actividad. Una mejora en el proceso de recolección, recolectar el fruto en su momento óptimo, puede suponer una gran ventaja competitiva de las Empresas Extremeñas sobre sus competidoras. Actualmente los agricultores utilizan técnicas clásicas basadas en su larga experiencia para valorar la calidad de la fruta a lo largo de su periodo de crecimiento. Este método tiene grandes limitaciones ya que las decisiones que se toman dependen en gran medida de la experiencia de estos, se trata pues de métodos altamente subjetivos, que puede derivar en errores en la cosecha, ya sea por recoger el fruto antes de tiempo o incluso con una fecha posterior a su estado óptimo. Para intentar solucionar este problema se están introduciendo nuevas técnicas que ayuden en la correcta toma de decisiones. Entre estas técnicas novedosas se encuentran la visión por computador y algoritmos de machine learning, que si son bien entrenados, podrán obtener la fecha óptima de cosecha. En este trabajo nos ocuparemos de la detección de la variedad de la ciruela en su fase temprana de maduración, así como su estado mismo de maduración en sus diferentes fases del ciclo de maduración en sus diferentes fases del ciclo de maduración. Se utilizarán para ello el análisis de imágenes HiperEspectrales de diferentes variedades de ciruelo japonés divididas en su estado de maduración. Para hacer frente a estas identificaciones, el primer objetivo es la automatización de la adquisición de las imágenes. En nuestro caso tenemos que desarrollar una serie de herramientas que permitan tomar un conjunto necesario de imágenes hiperespectrales por cada ciruela. El segundo objetivo es el análisis de las imágenes obtenidas utilizando técnicas de machine learning, lo que nos permitirá obtener diferentes clasificadores para las ciruelas, ya sea por variedad y/o estado de maduración.

Food and Agriculture Organization of the United Nations (FAO) ranks Spain as the seventh largest producer of plums in the world and the third largest in Europe. The economic importance of growing this fruit in our country is evident. In Extremadura there are 6500 hectares of land dedicated to this activity, according to the Spanish Ministry of Agriculture, Fisheries, Food and the Environment. Improvements in the harvesting process, harvesting the fruit at its optimum time, can give Extremadura companies a great competitive advantage over their competitors. Farmers today use classical techniques based on their long experience to assess the quality of the fruit throughout its growing period. This method has great limitations due to the decisions are taken depending on this experience. This technique is based on highly subjective methods, which can lead to errors in the harvest, either by picking the fruit early or even with a date later than its optimal state. Trying to solve this problem, new techniques to help in the correct decision making are being introduced. Among these novel techniques we can found the computer vision and machine learning algorithms, which, if they are well trained, can optimize the harvest date. Today, farmers use classic techniques based on their long experience to assess the quality of the fruit over the years. This method has great limitations as the decisions made depend largely on the following of their growth spurt. Therefore, the farmers experience, is highly subjective and can lead to errors in the harvest, as is the case with the either by harvesting the fruit early or even after its optimum condition. Trying to solve this problem, new techniques are being introduced to help in the correct decision making. Among these techniques, we can found the newest, such as computer vision and machine learning algorithms, which, if they are well trained, would be able to optimize the harvest date. In this work we will deal with the detection of the plum variety in its different stages of the ripening cycle. Hyperspectral image analysis of different varieties of plums divided into their ripeness stage will be used for this purpose. To achieve these identifications, the first objective is the automation of image acquisition process. It will be necessary to develop a set of tools that allows us to take a necessary set of hyperspectral images for each plum. Once the set of images is completed, in the second objective the set of images will be analyzed with machine learning techniques that will allow us the creation of plum classifiers by variety and ripeness stage.