Trabajo Fin de Máster - Detección de variedad y estado de maduración del ciruelo japonés mediante Deep -Learning
Autor: Borja Rodríguez Puerta
Director: Francisco Chávez de la O
Resumen:
Food and Agriculture Organization of the United Nations sitúa a España como el séptimo productor de ciruelas del mundo y el tercero a nivel europeo. La importancia económica que tiene el cultivo de este fruto en nuestro país es evidente. En Extremadura el ministerio de Agricultura, Pesca, Alimentación y Medio Ambiente Español, cifra en 6500Has el territorio dedicado a esta actividad.
Una mejora en el proceso de recolección, recolectar el fruto en su momento óptimo, puede suponer una gran ventaja competitiva de las Empresas Extremeñas sobre sus competidoras.
Actualmente los agricultores utilizan técnicas clásicas basadas en su larga experiencia para valorar la calidad de la fruta a lo largo de su periodo de crecimiento. Este método tiene grandes limitaciones ya que las decisiones que se toman dependen en gran medida de la experiencia de estos, se trata pues de métodos altamente subjetivos, que puede derivar en errores en la cosecha, ya sea por recoger el fruto antes de tiempo o incluso con una fecha posterior a su estado óptimo. Para intentar solucionar este problema se están introduciendo nuevas técnicas que ayuden en la correcta toma de decisiones. Entre estas técnicas novedosas se encuentran la visión por computador y algoritmos de machine learning, que si son bien entrenados, podrán obtener la fecha óptima de cosecha.
En este trabajo nos ocuparemos de la detección de la variedad de la ciruela en su fase temprana de maduración, así como su estado mismo de maduración en sus diferentes fases del ciclo de maduración. Se utilizarán para ello el análisis de imágenes HiperEspectrales de diferentes variedades de ciruelo japonés divididas en su estado de maduración.
Para hacer frente a estas identificaciones, el primer objetivo es la automatización de la adquisición de las imágenes. En nuestro caso tenemos que desarrollar una serie de herramientas que permitan tomar un conjunto necesario de imágenes hiperespectrales por cada ciruela. El segundo objetivo es el análisis de las imágenes obtenidas utilizando técnicas de machine learning, lo que nos permitirá obtener diferentes clasificadores para las ciruelas, ya sea por variedad y/o estado de maduración.