Bogotá - Ingeniería - Maestría en Ingeniería - Ingeniería de Sistemas y Computación · 2025
Detección y caracterización espectral individual de palmas aceiteras en imágenes aéreas mediante técnicas de visión artificial
El cultivo de la palma aceitera en Colombia es de gran importancia en industrias como la alimenticia, química, cosmética y producción de biocombustibles. Existen condiciones fitosanitarias que ponen en riesgo las plantaciones y que pueden disminuir drásticamente su producción. El fenotipado de los cultivos proporciona información para la detección temprana de individuos con anomalías relacionadas con su salud. En este estudio se implementa un proceso fotogramétrico de obtención de datos de imágenes aéreas en cultivos de palma mediante plataformas aéreas no tripuladas y sensores multiespectrales. Luego se implementa y evalúa un método de detección individual de palmas utilizando algoritmos de extracción de características (HOG), clasificación (SVM) y agrupación de detecciones. Posteriormente se implementa el algoritmo desarrollado para la detección de individuos sobre una imagen aérea multiespectral y se realiza su caracterización espectral individual, basado en el cálculo de índices de vegetación. Se obtiene un catálogo geolocalizado de palmas individuales junto con un conjunto de metadatos útiles para orientar al productor acerca de los individuos del cultivo con mayor interés de estudio según el estado fitosanitario relacionado con los índices de vegetación utilizados. (Texto tomado de la fuente)
Texto completo 104 páginas con texto de 107
Leer la tesis completa Ficha en el repositorio
Contenido
- Introducciónp. 16
- Antecedentesp. 20
- Monitoreo de cultivos de palma aceitera con UAV y sensores remotosp. 21
- Avances en la detección y conteo individual de palmas de aceitep. 24
- palma aceiterap. 29
- Marco teóricop. 22
- Teledetección aerotransportada con UAV y sensoresp. 31
- Fotogrametría digitalp. 32
- Sensores para agricultura de precisiónp. 33
- Detección de objetos mediante visión artificialp. 35
- Detección basada en característicasp. 35
- Histograma de gradientes orientados (HOG)p. 36
- Clasificación con máquinas de soporte vectorial (SVM)p. 37
- Algoritmos de agrupamiento jerárquicop. 39
- Caracterización espectral de palmasp. 40
- Índices de vegetaciónp. 40
- Extracción de características espectrales individuales en palmasp. 42
- Herramientas de software y librerías utilizadasp. 42
- Software para procesamiento geoespacialp. 42
- Entorno de desarrollo y bibliotecasp. 43
- Metodologíap. 44
- Adquisición y preparación de los datosp. 45
- Delimitación de áreas de interésp. 46
- Planeación de vuelosp. 48
- Ejecución de vuelos con UAVp. 51
- Procesamiento fotogramétricop. 52
- Etiquetado manualp. 55
- Extracción de imágenes de entrenamientop. 56
- Entrenamiento de modelo de clasificaciónp. 58
- Escalamiento y extracción de HOGp. 58
- División de ejemplos de entrenamientop. 60
- Reentrenamiento y almacenamiento de modelop. 62
- Detección y caracterización espectral individualp. 62
- Preprocesamiento de la Imagenp. 64
- Detección mediante ventana deslizantep. 65
- Agrupamiento y cálculo de centroidesp. 66
- Extracción de características espectrales por palma detectadap. 68
- Evaluación de los algoritmos implementadosp. 68
- Evaluación del modelo SVMp. 68
- Evaluación del flujo de trabajo de detección de palmasp. 69
- Evaluación de la caracterización espectral individualp. 70
- Resultados y discusiónp. 74
- Resultados del clasificador SVMp. 74
- Resultados del flujo de detecciónp. 76
- Resultados de la evaluación de la caracterización espectralp. 78
- Resultados de la evaluación cualitativap. 82
- Aspecto de eficiencia y ahorro de esfuerzop. 72
- Efectividad para la detección de anomalíasp. 82
- Valor agregado para el manejo agronómicop. 82
- Confianza y limitacionesp. 83
- Discusiónp. 83
- Interpretación del rendimiento del detectorp. 83
- Valor y limitaciones de la caracterización espectralp. 84
- Implicaciones para la agricultura de precisiónp. 84
- Conclusiones y recomendacionesp. 86
- Conclusionesp. 86
- Recomendacionesp. 88
- A. Anexo: Entrevista de evaluación cualitativa con expertop. 90
- Bibliografíap. 94
- Figura 3-1. Diagrama de flujo de la metodología aplicadap. 45
- Figura 3-2. Diagrama de flujo del proceso de adquisición de datosp. 46
- Figura 3-3. Delimitación de la primera zona de estudiop. 47
- Figura 3-4. Delimitación de la segunda zona de estudiop. 47
- Figura 3-5. Vuelos planeados en la primera zona con centros de fotogramasp. 50
- Figura 3-6. Fotograma RGB de primera zona de estudiop. 51
- Figura 3-7. Fotograma RGB de segunda zona de estudiop. 51
- Figura 3-8. Imágenes de bandas individuales de fotograma de ejemplop. 52
- Figura 3-9. Ortofotomosaico RGB de la primera zona de estudiop. 53
- Figura 3-10. Ortofotomosaico multiespectral obtenidop. 55
- Figura 3-11. Ejemplos de etiquetado manual sobre imagen RGBp. 56
- Figura 3-12. Cuadros delimitadores de ejemplos seleccionadosp. 57
- Figura 3-13. Visualización de algunos ejemplos extraídos por cada clasep. 57
- Figura 3-15. Representación del HOG en imágenes de ejemplop. 60
- individualp. 63
- Figura 3-17. Descomposición de bandas del ortofotomosaico multiespectralp. 64
- multiespectralp. 65
- Figura 3-19. Visualización de detecciones positivas sobre la imagen aéreap. 66
- Figura 3-20. Agrupamiento de detecciones por criterio de distanciap. 67
- Figura 3-21. Centroides de detecciones sobre ortofotomosaico multiespectralp. 67
- Figura 3-22. Delimitación de áreas de interés agronómico por expertop. 71
- Figura 3-23. Etiquetado de palmas según interés agronómicop. 71
- Figura 4-1. Matriz de confusión del clasificador SVMp. 74
- Figura 4-2. Ejemplos de detecciones incorrectas del clasificador SVMp. 75
- Figura 4-3. Visualización del tipo de detección de palmas sobre la imagen aéreap. 76
- Figura 4-4. Gráficos de caja con distribución de valores de las clases por índicep. 78
- Figura 4-5. Mapa de detecciones codificado con rangos de valores NDVIp. 81
- Figura 4-6. Tabulación de valores de índices obtenidos por detecciónp. 81
- Tabla 1-1. Estudios sobre uso de plataformas UAV en agriculturap. 22
- Tabla 1-2. Trabajos relacionados con detección y conteo de palmasp. 25
- aceiterap. 22
- Tabla 2-1. Proceso de generación de productos fotogramétricosp. 33
- Tabla 2-2. Compendio de características de cámaras multiespectralesp. 34
- Tabla 2-3. Etapas de generación de descriptor HOGp. 36
- Tabla 2-4. Descripción de algunos índices de vegetaciónp. 40
- Tabla 2-5. Librerías Python utilizadasp. 44
- Tabla 3-1. Especificaciones del UAV DJI Phantom 3 Advancedp. 48
- Tabla 3-2. Características principales de la cámara Parrot Sequoiap. 49
- Tabla 3-3. Cálculos de parámetros de vuelo fotogramétricop. 49
- Tabla 3-4. Variables para cálculo de vuelo fotogramétricop. 50
- Tabla 3-6. Rangos y opciones de hiperparámetros para entrenamiento de SVMp. 61
- Tabla 3-7. Métricas de evaluación de modelo SVMp. 69
- Tabla 3-8. Métricas para evaluación de conteo de palmas identificadasp. 70
- Tabla 4-1. Métricas obtenidas – clasificador SVMp. 74
- Tabla 4-2. Resultados del conteo del algoritmo de detecciónp. 76
- Tabla 4-3. Métricas de desempeño del algoritmo de detecciónp. 77