Desarrollo de una herramienta basada en aprendizaje automático que permita la estimación del estado de nitrógeno presente en las hojas de un cultivo de gulupa usando imágenes RGB y multiespectrales.

Abstract

El presente trabajo tiene como objetivo desarrollar una herramienta basada en aprendizaje automático que permita la estimación del estado de nitrógeno en las hojas de un cultivo de gulupa usando imágenes RGB y multiespectrales, para lo cual se llevó a cabo una metodología que incluye la toma de muestras, captura de imágenes con ayuda de una caja oscura y la cámara multiespectral Parrot Sequoia que entrega cinco imágenes, cuatro de ellas multiespectrales (rojo, verde, infrarrojo cercano y borde rojo) y una RGB, se llevaron las muestras al laboratorio para que su porcentaje de nitrógeno fuera evaluado por medio del método Kjeldahl. La extracción de características de las muestras se realizó con ayuda de la biblioteca OpenCV implementada en el lenguaje de programación Python, se usaron técnicas de segmentación que permitieron conocer los datos únicamente del objeto interés, es decir, de la hoja. Esta segmentación fue útil para hallar los promedios de los índices de vegetación NDVI, GNDVI y OSAVI. También se extrajo características de textura de las cuatro imágenes multiespectrales generadas por la cámara. Se implementaron algoritmos de aprendizaje automático que provee la biblioteca sklearn, y se utilizó el conjunto de datos obtenidos en la extracción de características para lograr la predicción entre dos clases, que fueron asignadas como dos rangos de porcentajes de nitrógeno, con base en los resultados de las pruebas químicas.

The present work aims to develop a tool based on machine learning that allows the estimation of the nitrogen status in the leaves of a gulupa crop using RGB and multispectral images, for which a methodology was carried out that includes taking samples. , capturing images with the help of a dark box and the Parrot Sequoia multispectral camera that delivers five images, four of them multispectral (red, green, near infrared and Red Edge) and one RGB, the samples were taken to the laboratory so that their percentage nitrogen was evaluated by means of the Kjeldahl method. The extraction of characteristics of the samples was carried out with the help of the OpenCV library implemented in the Python programming language, segmentation techniques were used that allowed knowing the data only of the object of interest, that is, of the sheet. This segmentation was useful to find the averages of the vegetation indices NDVI, GNDVI and OSAVI. Texture features were also extracted from the four multispectral images generated by the camera. \ Machine learning algorithms provided by the sklearn library were implemented, and the data set obtained in the extraction of characteristics was used to achieve the prediction between two classes, which were assigned as two ranges of nitrogen percentages, based on in chemical test results.