Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Resumen
La producción y productividad del cacao es una oportunidad económica y una necesidad social
en Santander, Colombia. Para tomar decisiones efectivas, identificar y clasificar el tipo y las
características nutricionales del cultivo hay que tener en cuenta las necesidades económicas y
ambientales de la provincia. La distribución del cultivo y la identificación de las características
de la planta, se analizaron mediante adquisición de imágenes de sus hojas, estas fueron
procesadas por técnicas computacionales que involucran la identificación de características a
través del tratamiento digital de imágenes en el Centro de Servicio Agrícola del SENA. El
software permite una adecuada identificación en las deficiencias nutricionales de la planta
(nitrógeno, calcio, fósforo, potasio, magnesio, azufre) en las diferentes imágenes. En este trabajo,
se desarrolló un algoritmo de segmentación e identificación a través del uso de la herramienta de
procesamiento de imágenes de MatLab, que clasifica las pigmentaciones presentes en los
cultivos.
Abstract:
The production and productivity of cocoa is an economic opportunity and a social necessity in
Santander, Colombia. In order to make effective decisions, identify and classify the type and
nutritional characteristics of the crop, the economic and environmental needs of the province
must be taken into account. The distribution of the crop and the identification of the
77
characteristics of the plant, were analyzed by acquiring images of their leaves, these were
processed by computational techniques that involve the identification of characteristics
through the digital processing of images in the Agricultural Service Center of the SIGN. The
software allows an adequate identification in the nutritional deficiencies of the plant
(nitrogen, calcium, phosphorus, potassium, magnesium, sulfur) in the different images. In this
work, a segmentation and identification algorithm were developed through the use of
MatLab's image processing tool, which classifies the pigmentations present in crops.
78
que pueden llegar a ser fatales para el Fuzzy se ha utilizado para elegir el umbral
cultivo. La observación del estado físico de tal como lo registra Tobias et al (Tobias &
la planta es primordial para desempeñar una Seara, 2002). Finalmente, los métodos
investigación minuciosa y determinar sus basados en la región se usan principalmente
falencias. Para tal fin, es necesario enfocarse para clasificar pixeles similares usando sus
en el estado de las hojas, el tallo y las raíces, características en un grupo por Brosnan et al
y estos ser sometidos a investigación en un (Brosnan & Sun, s. f.).
laboratorio para determinar su estado,
tomando de referencia los valores propios en El trabajo de autores en los últimos años ha
la composición de su especie sana. Si no se sido apoyado en herramientas como el
conocen los valores, los ensayos con procesamiento de imágenes y la
fertilizantes podrían revelar que hace falta segmentación, aplicándolas a la
(A. J. Peel, 1974). Según el Centro Mundial discriminación de productos de tipo
de Agroforestería, específicamente en el agrícola, como la Tellaeche et al (Tellaeche,
cacao los síntomas comunes de deficiencias Burgosartizzu, Pajares, Ribeiro, & Fer
de nutrientes son el Potasio, Calcio, Andez-Quintanilla, s. f.), se aplicaron tales
Magnesio, Nitrógeno, Azufre y el fósforo técnicas a un cultivo de cebada en tres
(Rucker, s. f.). etapas: como primera medida, se toma una
imagen a color (canales RGB) y se traduce a
En el procesamiento de imágenes, la escala de grises obtenida desde la
segmentación se convierte en el primer paso combinación lineal de los 3 canales. El
y uno de los principales, influyendo resultado se transforma mediante la
directamente en el rendimiento de otros binarización en una imagen que torna solo el
procesos posteriores. Operaciones tales blanco y negro, en esta, la capa vegetal se
como identificación y clasificación pueden aísla del resto (suelo desnudo, sombras,
ser realizadas automáticamente después de paja, etc.). El paso por seguir es, la
la segmentación de la imagen. En el identificación de dos tipos de pixeles, los
software Matlab se pueden encontrar tres primeros, que corresponden a las hileras del
métodos diferentes para separar regiones de cultivo, y los pixeles restantes, se toman en
interés (ROI) del fondo. Cómo el método cuenta como las zonas donde se presenta
basado en bordes, umbrales y regiones, mala hierba.
registrado por Sonka et al (Sonka, Hlavac, &
Boyle, 1999). Si hay discontinuidad en el Arias y Sierra (A & J., 2016), recortaron la
nivel de intensidad el método basado en el imagen de un grano de café cambiando el
borde es el ideal a utilizar, técnicas como espacio de color RGB a una escala de grises,
Sobel, Canny, Laplacian y Prewitt se usan a luego buscaron el umbral de binarizado por
menudo para este propósito. El método por el método Otsu y binarizaron la imagen, por
umbral es uno de los más utilizados en último, obtuvieron la frontera de la imagen
segmentación de imágenes por su binarizada y recortaron. El proceso de
simplicidad en la aplicación, requiere de luz segmentación se llevó a cabo mediante la
casi constante o uniforme. Cuatro métodos herramienta de Matlab <<Color
básicos para elegir el umbral incluyen Thresholder>>, la cual mediante el uso de
algoritmo isodata, función objetivo, histogramas y dependiendo del espacio de
selección manual y clustering por color requerido, permite al usuario definir
histogramas evidencias por Zheng et al los valores de umbrales para cada
(Zheng & Sun, 2008). También la técnica
79
histograma de la imagen y así segmentar los La estrategia utilizada para el
colores deseados. acondicionamiento de las imágenes se
muestra en la Fig. 1, donde inicialmente el
Este trabajo describe un algoritmo para la espacio de color RGB de las imágenes de las
identificación y clasificación de los hojas de cacao fue transformado a una
parámetros nutricionales del cacao mediante escala de grises, luego, teniendo en cuenta
el procesamiento de imágenes de las hojas que la luz era casi constante y uniforme se
de la planta, a partir de la forma y el color. aplicó el método Otsu para determinar el
Este informe describe el algoritmo de umbral, posteriormente, se binarizó la
segmentación, la medición del rendimiento imagen teniendo en cuenta este umbral, por
del algoritmo en un conjunto de 32 último, se obtuvo la frontera de la imagen
imágenes y análisis del rendimiento. La binarizada y se recortó.
sección 2 describe los materiales y métodos
utilizados para el desarrollo del algoritmo. Conversión espacio
de color RGB a
La sección 3 contiene los resultados escala de grises
80
Figura 3. Imágenes escala de grises de una hoja de
cacao (a) normal, (b) potasio, (c) nitrógeno, (d)
magnesio, (e) calcio, (f) azufre.
a). Normal b). Potasio c). Nitrógeno a). Normal b). Potasio c). Nitrógeno
d). Magnesio e). Calcio f). Azufre d). Magnesio e). Calcio f). Azufre
3. Resultados y Discusión
81
De acuerdo a los parámetros y
características establecidas en la
clasificación de las deficiencias
nutricionales realizadas por FedeCacao y
worldagroforestry se utilizó la herramienta
Color Thresholder para poder segmentar la
imagen mediante umbrales, se define que la
forma de evaluar el color de las hojas es
generar diferentes algoritmos para cada
deficiencia nutricional con diferentes
máscaras, cada uno de estos algoritmos c)
filtrará una cantidad N de pixeles, este
número se comparará con el número de
pixeles totales de la hoja guía, es decir su
área total, obtenido como resultado del
porcentaje de pixeles no filtrados, como se
indica en la Eq. (1)
%PNF=PNF/PT*100
Eq: (1)
Figura 6. a) Máscara para la imagen de la hoja guía con
deficiencia de Calcio, b) Imagen binarizada, c)
Donde PNF es el número de pixeles de la Histograma en el espacio YCbCr
hoja que no fueron filtrados por la máscara y
PT es el número de pixeles del área total de
la imagen guía de la hoja. Para la fase de entrenamiento se
seleccionaron 4 hojas por cada deficiencia
En los algoritmos para las deficiencias nutricional, se determinaron los umbrales y
nutricionales de Nitrógeno, Azufre y hojas la máscara, luego se determinaron los
sin deficiencias (Normal) se detectará límites de umbralización con las medias y
principalmente la clorolisis (color amarillo, desviaciones estándar que se muestra en la
verde-amarillo) y la reducción del área de la tabla 1. Por último, se calculaban la cantidad
lámina foliar, es decir que, si la hoja de de pixeles que estaban dentro de los límites
cacao cumple con alguna de las de umbralización y se clasificaba la
características mencionadas, el algoritmo deficiencia.
dejará pasar muy pocos pixeles. Para los
Nutritional deficiencies Means (pixels) Standard
algoritmos de Calcio, Potasio y Magnesio se Deviations
implementó además del color, el secamiento Calcium (Ca) 1179.5 220.52
Potassium (K) 501.4 94.22
de bordes y áreas de la hoja. Para cumplir Magnesium (Mg) 679.4 130.5
con este objetivo se vio la necesidad de Sulfur (S) 445.4 95.4
Nitrogen (N) 552 8.84
cambiar de espacio de color, debido a que Normal 1704.3 89.7
con RGB no se pudo filtrar de manera Tabla 1. Promedios y desviaciones estándar
adecuada, por lo cual se decidió usar el
espacio de color YCbCr, como se muestra Una vez procesadas las 32 hojas de cacao en
en la fig. 6 el algoritmo, se presentan los porcentajes de
a) b) hojas detectadas por cada deficiencia
82
nutricional, como se observa en la fig. 7.
Los resultados muestran que el rendimiento Mediante el uso de la herramienta <<Color
del algoritmo de segmentación varía Thresholder>> de MATLAB se permite
dependiendo de los datos de la imagen y los encontrar el espacio de color que marque
parámetros a clasificar. diferencias entre clases y, además, facilita
encontrar los umbrales para cada una de las
deficiencias nutricionales, también, se
evidenció qué características de coloratura y
morfología son similares en ciertas
deficiencias nutricionales, además, es
posible que en una hoja se presente más de
una deficiencia.
83
international trade. The International AccessKeyId=AKIAIWOWYYGZ2Y5
Cocoa Trade, 219-267. 3UL3A&Expires=1520626745&Signat
https://doi.org/10.1016/B978-0-85709- ure=rVJEi48dYF6CSvk%2B%2Fne8G
125-3.50008-2 hehDOE%3D&response-content-
David Parra-González, S., Rodriguez- disposition=inline%3B
Valenzuela, J., Panitsa, M., & white, J. filename%3DImage_processing_analys
(2017). Determination of the Soil is_and_machine
Quality Index by Principal Component Tellaeche, A., Burgosartizzu, X. P., Pajares,
Analysis in Cocoa Agroforestry System G., Ribeiro, A., & Fer Andez-
in the Orinoco Region, Colombia. Quintanilla, C. (s. f.). A new vision-
Journal of Agriculture and Ecology based approach to differential spraying
Research International, 10(3), 31346. in precision agriculture.
https://doi.org/10.9734/JAERI/2017/31 https://doi.org/10.1016/j.compag.2007.
346 07.008
PORTAFOLIO. (2018). Producción de Tobias, O. J., & Seara, R. (2002). Image
cacao colombiano creció 6,6% en 2017 Segmentation by Histogram
| Economía | Portafolio. Recuperado 25 Thresholding Using Fuzzy Sets. IEEE
de enero de 2018, a partir de TRANSACTIONS ON IMAGE
https://www.portafolio.co/economia/pr PROCESSING, 11(12).
oduccion-de-cacao-colombiano-crecio- https://doi.org/10.1109/TIP.2002.80623
6-6-en-2017-513611 1
Rucker, R. (s. f.). Appendix 10: Nutritional Zheng, C., & Sun, D.-W. (2008). Image
Properties of Cocoa. En Chocolate (pp. Segmentation Techniques. En
943-946). Hoboken, NJ, USA: John Computer Vision Technology for Food
Wiley & Sons, Inc. Quality Evaluation (pp. 37-56).
https://doi.org/10.1002/9780470411315 Elsevier. https://doi.org/10.1016/B978-
.app10 012373642-0.50005-3
Sánchez-Mora, F. D., Medina-Jara, S. M.,
Díaz-Coronel, G. T., Ramos-Remache,
R. A., Vera-Chang, J. F., Vásquez-
Morán, V. F., … Onofre-Nodari, R.
(2015). Revista fitotecnia mexicana
publicada por la Sociedad Mexicana de
Fitogenética. Revista fitotecnia
mexicana (Vol. 38). Sociedad
Mexicana de Fitogenética A.C.
Recuperado a partir de
http://www.scielo.org.mx/scielo.php?sc
ript=sci_arttext&pid=S0187-
73802015000300005
Sonka, M., Hlavac, V., & Boyle, R. (1999).
Image Processing, Analysis, and
Machine Vision Second Edition.
Recuperado a partir de
https://s3.amazonaws.com/academia.ed
u.documents/26289952/cfai.pdf?AWS
84