Suscríbete a DeepL Pro para poder editar este documento.

Entra en www.DeepL.com/pro para más información.

Disponible en línea en www.sciencedirect.com

ScienceDirect
IFAC-PapersOnLine 49-16 (2016) 242-247

Desarrollo de un sistema robótico 3D para el fenotipado de cultivos de alto

rendimiento
Chongyuan Zhang*, Honghong Gao*, **, Jianfeng Zhou*, Primos Asaph***, Michael O. Pumphrey******,
Sindhuja Sankaran*.
*Departamento de Ingeniería de Sistemas Biológicos, Universidad del Estado de Washington, Pullman, WA,
EE.UU.
**Universidad Tecnológica de Xi'an, Shaanxi, China
***Escuela de Ciencias Biológicas, Universidad del Estado de Washington, Pullman, WA, EE.UU.
****Department of Crop and Soil Sciences, Washington State University, Pullman, WA,
EE.UU. Autor correspondiente: Sindhuja Sankaran (sindhuja.sankaran@wsu.edu)

Resumen: Los programas de fitomejoramiento están trabajando en el desarrollo de

nuevas variedades de cultivos de alto rendimiento para satisfacer la creciente demanda
de alimentos. Sin embargo, el fenotipo de alto rendimiento sigue siendo el cuello de
botella que actualmente limita todo el potencial reproductor. En este proyecto, se
desarrolló un sistema robótico 3D para llevar a cabo un fenotipado automatizado de
alto rendimiento en cultivos de cereales. El sistema de fenotipado robótico 3D consistió
en un marco de aluminio para soportar un sistema de deslizamiento 3D (deslizadores y
rieles), que permite el desplazamiento de un montaje del sensor en los ejes X e Y en
una altura seleccionada (eje Z). El sistema fue controlado con un algoritmo diseñado a
medida basado en el programa LabVIEW. Se utilizó una caja de control para conectar
el sistema a un ordenador. Durante la evaluación preliminar, se instalaron una cámara
térmica y una cámara multiespectral en el soporte del sensor, y el sistema automatizado
de fenotipado integrado funcionó continuamente durante 48 horas para la recopilación
autónoma de datos. El sistema robótico 3D había estado trabajando con precisión en
base a las especificaciones de diseño. Los resultados mostraron que el sistema robótico
3D tenía repetibilidad en el tiempo con activación de disparo en 4 s y error de
posicionamiento inferior a 0,78 mm, lo que indica el potencial del sistema para un
fenotipado automatizado y sistemático de alto rendimiento.
2016, IFAC (Federación Internacional de Control Automático) Hosting by Elsevier
Ltd. Todos los derechos reservados.
Palabras clave: Automatización, Monitorización de cultivos, Plataforma de adquisición de datos, Mejora de
plantas.

1. INTRODUCCIÓN con el de 2005/2007 (Alexandratos y Bruinsma, 2012).

Mientras tanto, el cambio climático también amenaza la
El fitomejoramiento ha seguido contribuyendo producción agrícola, debido a la alteración de los patrones
significativamente al desarrollo de nuevas variedades de climáticos y a la mayor frecuencia de las condiciones
cultivos de alto rendimiento que son tolerantes a las climáticas extremas.
tensiones bióticas y abióticas, como las enfermedades, las Aunque el genotipado contribuye en gran medida al
plagas, la sequía y la salinidad. La demanda de fitomejoramiento debido a los avances de las tecnologías de
fitomejoramiento para obtener variedades aún mejores es análisis genético, como la selección asistida por marcadores
incluso mayor que antes, debido no sólo al crecimiento de la (MAS), en los últimos años, el progreso del fitomejoramiento
población, que se espera que pase de 7.000 millones en 2011 sigue siendo muy lento debido a la falta de técnicas de
a 9.150 millones en 2050 (Alexandratos y Bruinsma, 2012), fenotipado de alto rendimiento. El fenotipado es
sino también a un aumento del consumo per cápita y a
cambios en la estructura de la dieta. La FAO informó de que
en 2050, alrededor de 4.700 millones de personas, es decir, el
52 por ciento de la población mundial, podrían consumir
3.000 kcal/persona/día, lo que daría lugar a un aumento del
consumo de productos agrícolas del 1,1 por ciento anual
entre 2005/2007 y 2050, es decir, un incremento del 60 por
ciento del consumo de productos agrícolas en comparación
crítica, ya que evalúa los efectos del genotipo y los separa nitrógeno, que no es una opción para la fase inicial del
de los efectos ambientales. Se sabe que el fenotipado proyecto de fitomejoramiento debido al número limitado de
requiere mucha mano de obra y mucho tiempo, plantas en cada línea híbrida. Todas estas limitaciones en las
especialmente para ensayos de campo. Se informa de que actuales tecnologías de fenotipado plantean una necesidad
un proyecto de cultivo de maíz de hasta 5.000 líneas y dos urgente de técnicas no destructivas de fenotipado de alto
réplicas daría como resultado 20.000 parcelas de 1 m por rendimiento.
4 m (W por L), que tardarían 27 h en atravesar y puntuar
con una velocidad de marcha sin escalas de 3 km/h (White Con la ayuda de sensores y plataformas robóticas, la técnica
et al., 2012). Cuando las mediciones de los rasgos de fenotipado de alto rendimiento tiene el potencial de
fisiológicos o morfológicos de la planta se integran con reemplazar el fenotipado convencional operado por humanos.
estas medidas, los procesos pueden ser casi imposibles de Los investigadores han reportado éxito en la aplicación de
completar en un lapso de tiempo razonable. Por otra parte, técnicas de fenotipado de alto rendimiento para la detección y
algunas de las actuales tecnologías de fenotipado son monitoreo del estado nutricional, del agua y de la salud de las
destructivas, por ejemplo, la estimación de biomasa y plantas utilizando técnicas espectrales.
2405-8963 © 2016, IFAC (Federación Internacional de Control Automático) Hosting by Elsevier Ltd. Todos los derechos
reservados. Examen por homólogos bajo la responsabilidad de la Federación Internacional de Control Automático.
10.1016/j.ifacol.2016.10.045
 Chongyuan Zhang y otros / IFAC-PapersOnLine 49-16 (2016) 242- 24
247

imágenes de reflectancia. Oerke y Steiner (2010) informaron

que las espigas de trigo de invierno afectadas por el tizón de El desarrollo de un sistema automatizado de bajo costo y alto
la cabeza del fusarium muestran una temperatura rendimiento puede proporcionar un sistema de selección y
significativamente más alta que la de las espigas no monitoreo de cultivos tanto para el mejoramiento de plantas
infectadas usando termografía infrarroja. De manera similar, como para aplicaciones agrícolas de precisión. Story y otros
Bauriegel et al. (2011) mostraron que la infección por (2015) desarrollaron un sistema autónomo de visión por
fusarium en el trigo puede ser detectada usando imágenes computador guiado
hiperespectrales en la etapa de inflexión temprana con una
tasa de clasificación correcta del 87% atribuida al método de
análisis de imágenes Spectral Angle Mapper. Bravo et al
(2003) revelaron a través de un espectrógrafo visual con
condiciones de iluminación ambiental y un modelo de
discriminación cuadrática basado en la reflectancia de cuatro
bandas de onda, que es capaz de discriminar con éxito el trigo
de invierno (Puccinia striiformis, roya amarilla) con una tasa
de precisión del 96%. Además de monitorear la salud de las
plantas, el fenotipado de alto rendimiento también puede ser
utilizado para detectar el estado del agua de la planta.
Experimento de invernadero realizado por Hackl et al.
(2012) que detecta las diferencias de temperatura entre
los tratamientos de estrés (control, sequía, sal y
combinación de sal y sequía).
oscilaban entre 1 y 9°C y entre dos cultivares de trigo egipcio
(Sakha 61 y Sakha 93) oscilaban entre 0 y 2°C, utilizando
termometría y termografía infrarroja. Otras aplicaciones del
fenotipo de alto rendimiento también incluyen la detección
del vigor temprano de las plantas de trigo de invierno (Kipp
et al., 2014), vegetación, pigmentos y biomasa.

El fenotipado de alto rendimiento demuestra un mejor

rendimiento en algunos aspectos, en términos de mediciones
no destructivas y alta eficiencia, y logra lo que el fenotipado
tradicional no puede hacer. Por ejemplo, Liebisch et al
(2015) estimaron que se necesitarían unos 6 minutos para
monitorear 20.000 parcelas como se describe en White et al
(2012), si se utilizara la tecnología de teledetección aérea
para llevar a cabo la tarea. De manera similar, las tareas
desafiantes, tales como discriminar un factor estresante
específico de varios factores estresantes, también pueden
lograrse utilizando tecnologías de fenotipado de alto
rendimiento. En un estudio realizado por Bürling et al
(2011), un espectrómetro compacto de fluorescencia de fibra
óptica que utiliza la relación azul/verde y roja/roja/grande
fluorescencia roja es capaz de distinguir entre lleno de
nitrógeno, deficiencia de nitrógeno, lleno de nitrógeno con
patógeno, y deficiencia de nitrógeno con tratamientos
patógenos.

Para explorar el fenotipo de alto rendimiento para la mejora

de cultivos, es muy deseable el desarrollo de sistemas
eficientes de fenotipado de alto rendimiento. El sector
industrial ha estado desarrollando sistemas de fenotipado de
alto rendimiento y existen en el mercado plataformas
comerciales de fenotipado de alto rendimiento. Estos
sistemas pueden funcionar de forma automática y continua
día y noche, y medir una amplia gama de rasgos de la planta
en entornos controlados y de campo (por ejemplo,
LemnaTec, Alemania; Phenospex, Países Bajos). Sin
embargo, estas plataformas comerciales disponibles son
equipos de fenotipado de alto rendimiento y costosos. Por lo
tanto, es necesario desarrollar un sistema de bajo costo para
el fenotipado automatizado de cultivos de alto rendimiento.
24 Chongyuan Zhang y otros / IFAC-PapersOnLine 49-16 (2016) 242-
sistema de detección y monitoreo que 247detecta la salud y el orientación para el movimiento del eje Y. El eje Y es
estado de crecimiento de la lechuga a través de una serie de perpendicular al eje X y a la guía. Una montura del sensor
características temporales, morfológicas y espectrales. Su está conectada a la corredera en el eje Y y el centro de la
sistema puede mejorar potencialmente la eficiencia en el montura del sensor es la coordenada del objetivo o punto de
uso de los recursos del sistema de producción de cultivos interés a ser posicionado usando los motores paso a paso.
en un ambiente controlado. Pereyra-Irujo et al. (2012) Como se muestra en la Fig. 1, la posición ``Hogar' o origen
diseñó una plataforma de bajo costo, equipada con de la coordenada de la plataforma 3D se encuentra en la
dispositivos autónomos de medición y riego, para el posición
fenotipado del crecimiento, uso de agua y tolerancia a la
sequía de dos genotipos de soja. van der Heijden et al.
(2012) diseñaron y desarrollaron un sistema robótico
automatizado que se desplaza a lo largo de las plantas de
pimiento en el invernadero por el poder humano y examina
la heredabilidad y los loci cuantitativos (QTL) de los
caracteres de 151 genotipos de pimiento, y descubrieron
que la QTL para las características del pimiento,
incluyendo el área foliar, el ángulo de la hoja, el tamaño de
la hoja y la altura de la planta, puede detectarse mediante el
análisis de imágenes.

El objetivo general de este proyecto era desarrollar un

sistema robótico 3D integrado con sistemas de detección
múltiple para el fenotipado de cultivos de alto rendimiento
con el fin de ayudar a los programas de reproducción en el
entorno controlado. Los objetivos específicos eran
(1) desarrollar una plataforma 3D y un sistema de control
de sensores con funciones para posicionar el soporte del
sensor en ubicaciones predefinidas y activar los sistemas de
detección para adquirir imágenes espectrales en un horario
predeterminado; (2) desarrollar un algoritmo de
procesamiento de imágenes para la extracción de
características de mosaicos de imágenes y fenotipos, y (3)
finalmente validar el rendimiento general del sistema
desarrollado con cultivos. En este trabajo se discute el
desarrollo de la plataforma robótica 3D y el sistema de
control de sensores.
2. MATERIALES Y MÉTODO

2.1 Plataforma 3D

Se adaptó una estructura básica de aluminio a partir de una

plataforma de posicionamiento automatizada personalizada
(Arrick Robotics Inc., Tyler, TX, USA). La plataforma de
posicionamiento automatizada consta de una estructura de
aluminio, pistas de doble eje XY, un soporte para sensor,
dos motores paso a paso, un controlador de motor paso a
paso y una interfaz de ordenador, como se muestra en la
Fig. 1. El soporte del sensor estaba montado en una
corredera, que es accionada por los motores paso a paso
para moverse a lo largo de los rieles X e Y. Los
controladores de motor reciben el comando de un
ordenador portátil a través de la interfaz mediante un
puerto USB. El marco fue diseñado con dimensiones de
2,1×1,2×1,4 m (L × A × H). La carga útil máxima de la
plataforma de posicionamiento automático es de 11 kg. Los
motores paso a paso tienen un par de retención de 0,2 kg-m
y recorren 400 pasos por revolución o 0,125 mm por paso,
con una precisión de 2,54 mm por 300 mm.

En la plataforma automatizada 3D, el eje X (indicado por b en

la Fig.
1) y un carril guía paralelo al carril del eje X, situado en el
otro extremo del bastidor, proporcionan conjuntamente
cerca del motor paso a paso (Fig. 1c). En un extremo de una
viga de aluminio se montó con dos cámaras y el otro extremo
de la viga se fijó en el montaje del sensor en el eje Y, como
se muestra en la Fig. 1.

2.2 Sensores

Los sensores utilizados en este proyecto incluyeron una

cámara multiespectral (RedEdge, MicaSense Inc., Seattle,
WA, EUA) y una cámara térmica infrarroja (A655sc, FLIR
Systems Inc., Wilsonville, Oregon, EUA), mostrada en la
Fig. 2. La cámara multiespectral tiene 5 bandas espectrales,
a saber, azul (475±10 nm, banda central ± media anchura de
banda), verde (560±10 nm), roja (668±5 nm), infrarroja
cercana (840±20 nm) y borde rojo (717±5 nm), y es capaz
de capturar un conjunto de cinco imágenes por segundo. La
cámara multiespectral tiene una distancia focal de
5,5 mm y un campo de visión horizontal de 47,2°, y captura
imágenes con una resolución de 1280 × 960 píxeles. La
tecnología Wi-Fi integrada conecta la cámara multiespectral
a un ordenador central, y los parámetros de la cámara se
pueden configurar a través de un navegador web en el
ordenador central. Una cámara térmica FLIR A655sc (FLIR
Systems Inc., Wilsonville, Oregon, EE.UU.) tiene una
distancia focal de 24,6 mm y un campo de visión de 25°. La
cámara térmica FLIR A655sc captura imágenes dentro del
rango espectral de 7,5-14,0 μm con una frecuencia de imagen
de 50 Hz y una resolución de imagen de 640 × 480 píxeles.
Se utilizó un cable GigE para conectar la cámara térmica al
ordenador central. Ambas cámaras se alimentan con sus
adaptadores de alimentación externos.

2.3 Programa de control

Se desarrolló un sistema de control para la plataforma 3D y

dos cámaras utilizando LabVIEW (ver. 15.0.0, National
Instruments, Austin, TX, USA) y kits de desarrollo de
software (SDK) para las cámaras y la plataforma 3D.
LabVIEW es un entorno de programación gráfica, y
proporciona un enfoque fácil para integrar diferentes
dispositivos en un sistema, especialmente cuando se
proporcionan los controladores para dispositivos. Los
controladores básicos (SDK) para cada dispositivo en nuestro
proyecto fueron proporcionados por las respectivas compañías
y se utilizaron para controlar los dispositivos correspondientes
a través de los controladores.
Figura 1. Bastidor base de la plataforma 3D. Notas: a-
frame de la plataforma de posicionamiento, b-pista de
posicionamiento, motor c-stepper, d-interfaz, e-motor
driver.

Figura 2. Cámara multiespectral (izquierda) con módulo

GPS y cámara térmica infrarroja (derecha).

En el programa de control, se desarrollaron varios

módulos en LabVIEW para realizar diferentes tareas,
incluyendo módulos para monitorear el tiempo y activar el
sistema, leer el archivo de posición, dirigir el montaje del
sensor a una posición predefinida, activar las cámaras
térmicas y multiespectrales para capturar imágenes, etc.
Los módulos descritos anteriormente se indican en los
rectángulos del flujo del proceso en la Fig. 3. El módulo
de activación de la cámara térmica incorpora la marca de
tiempo en el archivo de datos de imagen térmica (archivo
csv) cuando se capturan las imágenes térmicas. El módulo
de activación de la cámara multiespectral activa la cámara
utilizando la señal de modulación de ancho de pulso
(PWM) para evitar cualquier interferencia de señal
eléctrica que aparezca cuando la cámara multiespectral
funciona con otros dispositivos. Además, este módulo
envía la marca de tiempo al módulo GPS de la cámara
multiespectral justo antes de activar la cámara
multiespectral para compensar la señal GPS débil e
inestable en un entorno interior.
La incorporación de la marca de tiempo en los datos de
la imagen permite una fácil identificación de las
imágenes durante el procesamiento de imágenes para la
extracción de características del fenotipo. Los datos de
imagen recogidos por la cámara térmica se almacenan
en el ordenador central y los recogidos por la cámara
multiespectral se almacenan en la tarjeta SD de a bordo
de la cámara multiespectral.

Durante la evaluación preliminar utilizando el sistema

robótico 3D, se capturaron 21 imágenes en cada ciclo de
adquisición. 21 imágenes cubren toda el área de interés
donde se ubicarán las plantas, a la vez que proporcionan
suficiente área de superposición (40,0% y 33,1% de
superposición en dirección horizontal y vertical
respectivamente) para la costura de imágenes. Tras la
adquisición de imágenes, las imágenes de las cámaras
térmicas y multiespectrales se procesarán y analizarán en
Matlab R2014a (MathWorks Inc. Natick, MA, USA).

3. RESULTADOS Y DISCUSIÓN

La plataforma 3D y las cámaras fueron exitosas.

integrado y un programa de control que gestiona el 3D
y dos cámaras fue desarrollado en LabVIEW (Fig. 4). La
interfaz de usuario del sistema robótico 3D en el panel
frontal de LabVIEW incluye varios módulos que
proporcionan el correspondiente control e indicación de los
módulos en el diagrama de bloques de LabVIEW, que no
se muestra aquí. Antes de ejecutar el programa cada vez,
algunos parámetros básicos deben
Figura 3. Diagrama de flujo de proceso de un sistema robótico 3D automatizado de alto rendimiento y bajo coste
en el panel frontal por parte de los usuarios, como la hora de
activación del sistema 3D, la ruta para guardar los archivos
de imagen, la dirección IP del puerto que se conecta a la
cámara térmica, etc., que se indican en la leyenda. También
se incluyen indicaciones en el panel frontal para facilitar el
seguimiento del estado del programa o del sistema robótico
3D, como la hora actual, la posición actual de las cámaras en
la plataforma 3D y la imagen térmica capturada.
Las pruebas realizadas durante la evaluación del sistema
indicaron que el programa de control podía activar la
plataforma 3D a una hora predeterminada y 3 veces al día, en
un plazo de 4 s. Asimismo, el programa de control dirigió
posteriormente el sistema a una posición predefinida con un
error de posicionamiento de menos de 0,78 mm para activar
las cámaras para capturar las imágenes. Se tomó un total de
13 min 12 s para adquirir 21 imágenes que cubren toda el
área de interés, las cuales pueden contener hasta 28 macetas
de plantas cultivadas en macetas de 16,51 cm de diámetro.
Inmediatamente después de finalizar la adquisición de la
imagen, ambas cámaras se movieron a la posición de inicio
antes del siguiente ciclo de adquisición de la imagen.
Durante la prueba de funcionamiento, el programa de control
y el equipo de la plataforma 3D funcionaron continuamente
durante 24 horas sin que se produjera ningún fallo o
anomalía en el sistema. Pronto se llevará a cabo un
experimento de validación exhaustivo para la plataforma de
fenotipado en 3D utilizando trigo, con adquisición de datos
de forma continua durante 1 a 2 semanas.
Los resultados preliminares de la adquisición y
procesamiento de imágenes mostraron que el sistema
robótico 3D de bajo costo es capaz de realizar fenotipos de
alto rendimiento. El sistema tardó 13 min 12 s en adquirir 21
imágenes y unos 35 s en alinearlas y coserlas para formar
imágenes panorámicas y extraer características de las
imágenes panorámicas. El procesamiento de imágenes se
realizó utilizando Matlab R2014a en un ordenador de
sobremesa con Windows 7 Enterprise, Inter(R) Core(TM)
i7-4770 CPU (3,40 GHz) y 16,0 GB
RAM. Actualmente, se pueden extraer 20 características de
imágenes adquiridas por cámaras térmicas y multiespectrales
e incluyen temperatura, área del dosel, características de
color como rojo, verde, azul, matiz e intensidad,
características de textura como contraste, homogeneidad,
correlación y energía, índices de vegetación como el Índice
de Diferencia Normalizada de Vegetación (NDVI), Relación
Simple (SR), Índice de Vegetación Mejorada (EVI), etc.
Extracción de características de imágenes de alta resolución
puede tomar menos de 15 minutos para adquirir 20
características de 28 macetas de plantas. La eficiencia de la
adquisición de datos utilizando el sistema es mucho mayor
que la que se realiza manualmente. Por ejemplo, suponiendo
que se utilice un espectrorradiómetro portátil de campo para
realizar una medición cada 5 s utilizando el clip para hojas y
3 mediciones de cada maceta, se necesitarían 7 minutos para
completar las mediciones de 28 macetas de plantas con un
período de calentamiento de 20 minutos. Con más sensores,
la velocidad de adquisición de datos puede reducirse aún
más. El sistema puede eliminar aún más los errores que
podrían introducirse durante el funcionamiento manual. El
sistema también puede proporcionar una evaluación completa
de las plantas en lugar de mediciones puntuales,
El sistema robótico 3D de bajo coste para el fenotipado
automatizado de cultivos de alto rendimiento desarrollado en
este proyecto demuestra un rendimiento deseable y un
potencial para aplicaciones comerciales y de investigación.
Como tanto el equipo como el programa de software son
modulares, los usuarios pueden adaptar tanto el hardware
como el software del sistema de fenotipado 3D a los
requisitos personalizados, como la frecuencia de las
mediciones, el número de posiciones y el espectro de interés
o la cámara utilizada. En este proyecto de fenotipado de
cultivos, planeamos monitorear el crecimiento y estado de los
cultivos utilizando el trigo como cultivo modelo.
Sin embargo, la frecuencia de activación del sistema
robótico 3D puede variar desde aproximadamente cada 15
minutos hasta cada 24 horas.
Las cámaras con un mayor número de bandas espectrales
específicas pueden reemplazar a las actuales y pueden
integrarse en el programa de control para adquirir
características específicas de cultivo, asumiendo que las
cámaras vienen con SDKs o controladores que soportan
LabVIEW. En otras palabras, el sistema robótico 3D es
capaz de monitorear los parámetros de crecimiento de las
plantas de acuerdo a los requerimientos de los usuarios.
En comparación con las plataformas de fenotipado
disponibles comercialmente, nuestro sistema es menos
costoso pero capaz de extraer información específica sobre
el fenotipo del cultivo. Las plataformas automatizadas
comerciales de alto rendimiento son tremendamente caras,
comenzando con 100.000 USD o más. En comparación, el
sistema robótico 3D desarrollado ofrece un fenotipo de
cultivo automatizado de alto rendimiento, asequible,
flexible y fiable en un entorno controlado.
Figura 4. Interfaz de usuario del sistema robótico 3D de bajo coste para el fenotipado automatizado de cultivos de
alto rendimiento desarrollado en LabVIEW.
Bürling, K., Hunsche, M., y Noga, G. (2011). Uso de
CONFESIÓN mediciones de fluorescencia azul-verde y clorofílica para la
diferenciación entre deficiencia de nitrógeno y patógenos.
Esta investigación fue financiada, en parte, con una
Subvención Competitiva Interna para Asuntos de
Investigación Emergentes de la Universidad Estatal de
Washington, Facultad de Ciencias Agrícolas, Humanas y de
Recursos Naturales, proyecto del Centro de Investigación
Agrícola, ERI 14-18, y del Instituto Nacional para la
Alimentación y la Agricultura del USDA, Proyecto Hatch,
1002864 (WNP00821). Los autores reconocen al Sr. Carlos
Espinoza Zúñiga del Departamento de Ingeniería de Sistemas
Biológicos de la Universidad Estatal de Washington por su
ayuda en este estudio.

REFERENCI
A
Alexandratos, N., y Bruinsma, J. (2012). World agriculture
towards 2030/2050: the 2012 revision (Vol. 12, No. 3).
Documento de trabajo de la ESA.

Bauriegel, E., Giebel, A., Geyer, M., Schmidt, U., y

Herppich, W. B. (2011). Detección precoz de la infección
por Fusarium en el trigo mediante imágenes
hiperespectrales. Computers and Electronics in Agriculture,
75(2), 304-312.
Bravo, C., Moshou, D., West, J., McCartney, A., y Ramon,
H. (2003). Detección precoz de enfermedades en campos de
trigo utilizando reflectancia espectral. Biosystems
Engineering, 84(2), 137-145.
en el trigo de invierno. Journal of Plant Physiology,
168(14), 1641-1648.
Hackl, H., Baresel, J. P., Mistele, B., Hu, Y., y
Schmidhalter, U. (2012). Una comparación de las
temperaturas de la planta medidas por imágenes térmicas y
termometría infrarroja. Journal of Agronomy and Crop
Science, 198(6), 415-429.
Kipp, S., Mistele, B., Baresel, P., y Schmidhalter, U.
(2014). Fenotipado de alto rendimiento del vigor precoz
del trigo de invierno. European Journal of Agronomy, 52,
271-278.
Liebisch, F., Kirchgessner, N., Schneider, D., Walter, A., y
Hund, A. (2015). Fenotipado remoto y aéreo de los rasgos del
maíz con un enfoque móvil multisensor. Métodos de la
planta, 11(1), 1.
Oerke, E. C., y Steiner, U. (2010). Potencial de la
termografía digital para el control de enfermedades. In
Precision Crop Protection-the Challenge and Use of
Heterogeneity, 167-182. Springer, Países Bajos. Pereyra-
Irujo, G. A., Gasco, E. D..,

Pereyra-Irujo, G. A., Gasco, E. D., Peirone, L. S., y

Aguirrezábal, L. A. (2012). GlyPh: una plataforma de
bajo coste para el fenotipado del crecimiento de las
plantas y el uso del agua. Functional Plant Biology,
39(11), 905-913.
Story, D., Kacira, M., Kubota, C., Akoglu, A., y An, L.
(2010). Detección de deficiencia de calcio en lechuga
con características de planta computarizada de visión
artificial en ambientes controlados. Computers and
Electronics in Agriculture, 74(2), 238-243.
van der Heijden, G., Song, Y., Horgan, G., Polder, G.,
Dieleman, A., Bink, M., Palloix, A., van Eeuwijk, F., y
Glasbey, C. (2012). SPICY: hacia el fenotipado automatizado
de grandes plantas de pimiento en invernadero. Functional
Plant Biology, 39(11), 870-877.
White, J. W., Andrade-Sanchez, P., Gore, M. A., Bronson, K.
F., Coffelt, T. A., Conley, M. M., Feldmann, K. A., French,
A. N., Heun, J. T., Hunsaker, D. J., Jenks, M. A., Kimball, B.
A., Roth, R. L., Strand, R. J., Thorp, K. R., Wall, G. W. y
Wang, G. (2012). Fenómica de campo para la investigación
en genética vegetal. Field Crops Research, 133, 101-112.