La estimación de gran parte de los elementos que intervienen en el rendimiento del viñedo se realiza en la actualidad de forma manual, lo que la convierte en costosa, lenta y subjetiva. Una posible alternativa para automatizar algunas de estas tareas y dotarlas de una mayor objetividad viene de la visión artificial. Esta tecnología se ha convertido en una poderosa herramienta para automatizar algunas tareas en la agricultura, siendo algunas de las aplicaciones típicas la inspección de la calidad de los productos, la monitorización y toma de decisiones en instalaciones agroalimentarias, la predicción de cosechas o rendimiento de los cultivos, la robótica agrícola, etc. Este trabajo explora la aplicación de la visión artificial en viticultura desde cuatro niveles diferentes de percepción que comprenden el análisis de la baya, del racimo, de la cepa y del viñedo. En esta primera parte se presentan resultados en las dos primeras aplicaciones, a nivel de baya y racimo.
J. Blasco (1), M. P. Diago (2), F. Rovira-Más (3), N. Aleixos (4), V. Sáiz-Rubio (3), S. Cubero (1), B. Millán (2), J. M. Prats-Montalbán (5), J. Tardáguila (2).
(1) Centro de Agroingeniería. Instituto Valenciano de Investigaciones Agrarias (IVIA). Moncada (Valencia).
(2) Instituto de Ciencias de la Vid y del Vino (Universidad de La Rioja, CSIC, Gobierno de La Rioja). Logroño.
(3) Laboratorio de Robótica Agrícola. Dpto. de Ingeniería Rural y Agroalimentaria. Universitat Politècnica de València.
(4) Instituto Interuniversitario de Investigación en Bioingeniería y Tecnología Orientada al Ser Humano. Universitat Politècnica de València.
(5) Departamento de Estadística e Investigación Operativa. Universitat Politècnica de València.
España es el país con mayor superficie vitícola y el tercer país productor de vino en el mundo (OIV, 2012). El impacto económico, social y medioambiental del sector vitivinícola, y su despegue en la última década, ha promovido la necesidad de practicar una viticultura más competitiva y racional, capaz de obtener uva de alta calidad a unos costes de producción sostenibles. Sin embargo, en un sector tan tradicional es necesario disponer de nuevas tecnologías y técnicas de gestión modernas que garanticen la búsqueda de una innovación permanente, no sólo en el producto, sino también en el proceso productivo.
Únicamente la simbiosis entre tradición y nuevas tecnologías puede proporcionar la clave del éxito para la competitividad del sector vitivinícola español en un mundo cada vez más globalizado. De hecho, la necesidad de aumentar productividad y competitividad en cultivos de alto valor añadido, como es el caso de la vid, desencadenó la organización de un seminario patrocinado por el Departamento de Agricultura de EE.UU (USDA), la Asociación Americana para la Ciencia (NSF), y NASA (National Aeronautics and Space Administration) en abril de 2007 con la finalidad de identificar la tecnología clave que va a impulsar el desarrollo de estos cultivos en el futuro. Entre las conclusiones a las que se llegaron en ese seminario cabe destacar la modernización de la mecanización a través de la robótica agrícola y la implementación en campo de aplicaciones basadas en agricultura de precisión (Burks et al., 2008).
Una de las tecnologías más prometedoras para desarrollar sistemas capaces de estimar el rendimiento del cultivo es la visión artificial. Esta tecnología ya se aplica de forma extendida en otros sectores de la agricultura para reducir los costes de producción y manipulación del producto, redundando en una mayor competitividad de las empresas que los utilizan (Cubero et al., 2011; Lorente et al., 2012). En la actualidad, se están desarrollando diversas aplicaciones basadas en visión artificial como la predicción de cosecha (Nuske et al., 2011), el control del estado del cultivo (Sáiz-Rubio y Rovira-Más, 2012) o la robótica agrícola para la realización de diversas actividades en el campo, incluyendo la recolección mecanizada diferenciada o la detección y eliminación de malas hierbas empleando métodos respetuosos con el medio ambiente (Ruixiu et al., 2008).
Con el objetivo de desarrollar sistemas adaptados a nuestro entorno y poner esta tecnología al alcance de nuestra viticultura, el Instituto Valenciano de Investigaciones Agrarias, el Instituto de las Ciencias de la Vid y el Vino de La Rioja y la Universidad Politécnica de Valencia se han unido para trabajar conjuntamente en el desarrollo de plataformas de sensores basados en visión artificial aplicados a la monitorización del viñedo.
La motivación que impulsa estas investigaciones parte del propio sector vinícola nacional, que constata graves carencias en la toma de decisiones estratégicas debido a la falta de información objetiva y fiable en los momentos claves del ciclo productivo.
Esta situación dificulta la competitividad de nuestros vinos en un entorno internacional caracterizado por un mercado global agresivo y cada vez más sofisticado. Para contrarrestar esta tendencia, se propone un modelo predictivo basado en la aplicación práctica de estas tecnologías a nivel de campo y adaptado a la realidad del productor vinícola medio español en aras de alcanzar una viticultura más competitiva y tecnológicamente más avanzada. Este trabajo muestra los primeros resultados obtenidos como fruto de esta colaboración a cuatro niveles de análisis diferentes:
- A nivel de baya para determinar el color, tamaño o peso de las bayas de forma automática.
- A nivel de racimo para estimar el peso de cada racimo, así como el número de bayas que contiene.
- A nivel de cepa para obtener dos parámetros importantes como el área foliar y la exposición de los racimos.
- A nivel de parcela para cuantificar la variabilidad espacial del desarrollo vegetativo o rendimiento productivo del viñedo, facilitando la elaboración de modelos predictivos particularizados para una determinada explotación.
Esta primera parte de la publicación muestra los dos primeros niveles, mientras que en una segunda parte se describen los niveles de cepa y viñedo.
Estimación del tamaño y peso de bayas individuales
El objetivo de este estudio fue determinar si el análisis de imagen puede usarse como una herramienta de precisión para estimar el tamaño y peso de las bayas individualmente, ya que es una tarea tediosa, lenta y a veces alterada por la metodología de medida. Se utilizaron un total de cincuenta bayas de Vitis vinifera L. cv. Garnacha y otras cincuenta de Vitis vinifera L. cv. Tempranillo. Las bayas se colocaron sobre un fondo blanco y se fotografiaron usando una cámara digital convencional con una resolución de 0,11 mm/píxel. En primer lugar se fotografiaron con el pedicelo y después sin pedicelo. La estimación automática del tamaño de la baya sin pedicelo es mucho más sencilla. Sin embargo, la eliminación del pedicelo en ocasiones deforma la baya y por lo tanto altera su tamaño influyendo negativamente en la precisión de las medidas.
Foto 1. Bayas de la variedad Garnacha con pedicelo.
Para tomar las referencias y comprobar la precisión de los algoritmos creados, todas las bayas se midieron de forma manual empleando un calibre digital (Digitcal, Tesa, Suiza) antes de eliminar el pedicelo y se pesaron empleando una báscula de precisión (XR205SM-DR, Precisa Instruments Ltd., Suiza) después de su eliminación. La foto 1 muestra un ejemplo de las bayas fotografiadas. Las imágenes se analizaron mediante un software desarrollado en el Laboratorio de Visión Artificial del IVIA.
El proceso de segmentación se realizó mediante el uso de un umbral en el canal azul de las imágenes, ya que las bayas presentaban un nivel de azul muy inferior al fondo de la imagen, lo que facilitó el uso de dicho umbral para separar ambas regiones. El resultado de este paso fue una imagen binaria en la que las bayas se representaban en blanco y el fondo de la imagen en negro.
En el siguiente paso se extrajo el contorno por medio de un algoritmo basado en un código de cadena. Este algoritmo almacena el contorno de cada baya en un vector de forma que es fácil de recorrer y analizar en posteriores procesos. A partir del contorno se extrae el centroide (centro de masas) de las bayas y el radio, que da lugar a lo que se conoce como firma del radio, que es una señal unidimensional compuesta por la distancia entre el centroide y cada uno de los puntos del contorno. De esta forma, la señal tiene valores bajos para los puntos del contorno cercanos al centro y valores altos para aquellos más alejados, como por ejemplo aquellos situados en el pedicelo.
Figura 1. Ejemplo del contorno de una baya con los puntos clave encontrados y la firma del radio.
Este proceso se puede apreciar con claridad en la figura 1, donde la figura 1a contiene un ejemplo de una baya con su centroide y la figura 1b contiene la firma del radio de esa baya. Así, la señal se analizó para obtener el valor máximo (1), que se supone que es el punto del pedicelo más alejado del centroide, y dos valores mínimos locales (2) y (3) situados a ambos lados del punto anterior. El siguiente paso consistió en cerrar el contorno entre los puntos (2) y (3). Una vez cerrado el contorno sin el pedicelo, se recalculó de nuevo el centroide de la fruta y se consideró el tamaño de la baya como su eje ecuatorial.
Para estimar la precisión del sistema de imagen desarrollado se utilizaron un 60% del conjunto de muestras para crear los modelos de regresión y el 40% restante para validarlos. El valor ajustado de R2 obtenido para la estimación del tamaño de las uvas fue de 0,971 para la variedad Garnacha y de 0,962 para la variedad Tempranillo. Por su parte, los valores del coeficiente de determinación R2 alcanzados para el caso de la estimación del peso fueron de 0,969 y 0,976 respectivamente para Garnacha y Tempranillo, en todos los casos con un valor de p<0,05 lo que indica el alto grado de precisión de los algoritmos desarrollados. La figura 2 presenta los resultados obtenidos en la estimación del tamaño para ambas variedades utilizando el conjunto de validación.
Figura 2. Ajuste del modelo lineal para el diámetro de las bayas: a) Tempranillo; y b) Garnacha.
Estos resultados demuestran que el sistema de visión creado para estimar el tamaño y peso de bayas con pedicelo es una herramienta válida con la que realizar este tipo de mediciones en laboratorio, sustituyendo los lentos y tediosos procesos de medición manual usando un calibre y una bascula de precisión. Además, el método desarrollado para detectar el pedicelo es robusto y novedoso, y podría ser utilizado incluso para detectar el pedúnculo en otras frutas como manzanas, naranjas o incluso cerezas (Cubero et al., 2013).
Estimación de algunos componentes del racimo
Para llevar a cabo estos experimentos se usaron veinte racimos de Vitis vinifera L. de las variedades Mourvedre y Bobal, diez racimos de cada variedad. Los racimos se recogieron durante la vendimia 2012 en la DO Utiel-Requena (Valencia) y se llevaron al laboratorio donde se fotografiaron. Posteriormente se pesaron y se contó manualmente el número de bayas de cada racimo. Las imágenes, con un tamaño de 1.100 x 721 píxeles y una resolución 0,38 mm/pixel, se adquirieron con la misma cámara empleada en el experimento anterior usando un software que permite controlar todos los ajustes y el disparo de la cámara desde un ordenador personal. La cámara se colocó dentro de una campana de inspección iluminada por ocho tubos fluorescentes (Osram Biolux L18W/965, 6500 K) alimentados por reactancias electrónicas. La campana de inspección es de forma cúbica con los tubos fluorescentes en sus cuatro lados.
El proceso de segmentación de las imágenes se facilitó mediante la colocación de un fondo homogéneo de color naranja. Para asemejar la posición de los racimos en la viña sin alterar su forma natural se colgaron de una pinza para tomar las fotos. De cada racimo se tomaron cuatro imágenes rotándolo 90º cada vez, de forma que se tuvieran vistas de todos sus lados. En total se tomaron 80 imágenes de las que ocho se emplearon para construir y ajustar los algoritmos (dos racimos por variedad) y el resto para validar los algoritmos y modelos estadísticos creados.
Estimación de número de bayas y peso del racimo
El primer objetivo fue la estimación del número de bayas en cada racimo y la estimación del peso del racimo a partir de las imágenes. Para detectar cada una de las bayas del racimo en las imágenes, el primer paso consistió en detectar el racimo y separarlo del fondo de la imagen, lo que se hizo empleando el canal rojo de las imágenes ya que el fondo naranja empleado presentaba un contenido en rojo muy superior al de los racimos, lo que producía un elevado contraste entre ambas regiones.
Una vez obtenido el racimo, el siguiente paso fue delimitar el contorno de cada una de las bayas. Para ello se usó el algoritmo de extracción de contornos de Canny (Canny, 1986) implementado en Matlab (MathWorks Inc., Natick, MA, EE.UU.). Un contorno en una imagen se caracteriza por un cambio relativamente brusco en la intensidad de los pixeles. El algoritmo de Canny busca esos cambios de intensidad (gradiente) y determina que existe un posible contorno en los máximos locales. Este algoritmo utiliza dos umbrales para detectar bordes fuertes y bordes suaves que se ajustaron a un valor de 0,25 y 0,05 respectivamente, ya que si bien el racimo con el fondo presenta bordes fuertes, las bayas que se solapan entre sí presentan bordes menos definidos.
Una vez detectados los contornos se aplicó la transformada de Hough (Duda y Hart, 1972) para detectar aquellos con forma circular. Como parámetros de entrada para esta función se usó el radio de los círculos buscados y el número mínimo de pixeles que debe tener un contorno para ser considerado como tal. Se determinó que únicamente aquellos contornos que formaran un 40% de un círculo potencial se consideraban como pertenecientes a una baya. Se analizaron todos los posibles círculos con un radio comprendido entre 6 y 17 mm, lo que cubría la variabilidad en tamaño de las bayas analizadas. Para evitar dobles detecciones, entre todos aquellos círculos cuyo centro estaba relativamente próximo se escogió el de mayor tamaño y los demás se eliminaron al considerarse una doble detección. Los círculos resultantes se consideraron las bayas del racimo.
Tras la toma de las imágenes, todas las bayas se separaron manualmente de los racimos, se contaron, se midieron y se pesaron. A partir de estos datos se crearon dos modelos de regresión entre:
- El número total de bayas estimadas en el racimo a partir del análisis de las imágenes y el número real de bayas de cada racimo.
- El número peso estimado de cada racimo y su peso real.
Figura 3. Modelos lineales para la predicción de: a) número de bayas; y b) peso del racimo.
La figura 3 muestra el resultado de los modelos lineales obtenidos para la estimación del número de bayas y el peso del racimo sobre el conjunto de validación. La figura 3a muestra una fuerte correlación (R2=0,962, p<0,05) entre el número real y el estimado de bayas por racimo usando el sistema de análisis de imagen. De igual forma, se encontró una fuerte correlación entre el peso del racimo real y el estimado mediante el sistema de análisis de imágenes (R2=0,882, p<0,05) (figura 3b).
Estimación de la compacidad del racimo
Figura 4. Análisis de imagen del racimo para estimar la compacidad.
La compacidad de cada racimo se obtuvo a partir de la evaluación visual de catorce expertos que los puntuaron atendiendo a las fichas técnicas publicadas por la OIV (International Organisation of Vine and Wine) (OIV, 2007). Adicionalmente, mediante técnicas de análisis de imagen, se obtuvieron varias características morfológicas de los racimos que se utilizaron para estimar la compacidad de forma automática. Estas características fueron: longitud total, anchura del racimo al 25%, 50% y 75% de su longitud, área, perímetro, porcentaje de uva, pedicelo y huecos respecto del área del racimo proyectada en la imagen, elongación, redondez y relación área/perímetro. Estas variables se obtuvieron para cada racimo y se realizó un análisis de mínimos cuadrados (PLS, Partial Least Squares) con el objetivo de identificar las más importantes a la hora de predecir con exactitud el índice de compacidad del racimo. La figura 4 muestra un ejemplo del análisis efectuado con algunas de las variables estimadas.
Figura 5. Análisis de las variables incluidas en el modelo mediante PLS.
Los resultados obtenidos indicaron que el modelo fue capaz de predecir la compacidad de cada racimo a partir de una imagen con un 86% de acierto. Las variables más importantes para obtener este acierto (figura 5) fueron los porcentajes de área de uva, de pedicelo y de huecos en la imagen del racimo, el ratio área/perímetro, el factor de redondez y la anchura del racimo al 75% de su longitud, es decir, en su parte inferior. Una de las características a destacar del modelo estadístico creado es que fue capaz de distinguir la variedad de cada racimo a partir del análisis morfológico realizado.
Conclusiones
La estimación automática de algunos componentes relacionados con el rendimiento del viñedo y la calidad del vino puede agilizar tediosas o costosas tareas que en la actualidad se realizan de forma manual. Mediante técnicas de análisis de imagen se han creado modelos capaces de estimar el número de bayas y peso del racimo de forma no destructiva a partir de imágenes con una correlación alta, así como de la compacidad de los racimos, abriendo una puerta a la implementación de estas medidas en campo.
Agradecimientos
Este trabajo está parcialmente financiado por el INIA a través de los proyectos RTA2012-00062-C04-01 y RTA2012-00062-C04-03.
