Uso de imagens digitais de baixo custo para aquisição de informações métricas em fruticultura

Transcrição

1 Uso de imagens digitais de baixo custo para aquisição de informações métricas em fruticultura Eng. Agro. LEONARDO JOSOÉ BIFFI Dr. EDSON APARECIDO MITISHITA - UFPR Dr. VERALDO LIESENBERG UDESC Curitiba, 8 de Junho de 2018

2 Introdução Agricultura no Brasil: Ganho de rendimentos com uso de novas tecnologias. Agricultura de Precisão cada vez mais presente nas atividades agrícolas. Cliente de produtos e informações geoespaciais.

3 Introdução Agricultura de Precisão: Agricultura de Grãos x Fruticultura Cultura Anual x Perene Investimento em tecnologia, no setor, para obter mais informações dos sítios de produção, e auxiliar na tomada de decisão sobre manejos. A qualidade e precisão das informações relacionadas à planta e fruto permitem diagnóstico correto.

4 Justificativa Para manter a competitividade as técnicas e sensores devem ser cada vez mais baratas e rápidas, com confiança nas informações coletadas. A Fotogrametria está entre as técnicas de coleta de informações quantitativas, que recentemente, tem sido empregado com maior frequência em diversas áreas da engenharia. Aumento computacional e Softwares permitiu o uso de câmeras de baixo custo na extração de geoinformação de alvos.

5 Objetivos Obter informações agronômicas quantitativas para determinar a produção de maçãs, empregando técnicas fotogramétricas a partir de imagens digitais obtidas com câmera de baixo custo e gerar uma nuvem de pontos visando modelar tridimensionalmente árvores de um pomar de maçã. Comparar alguns dados obtidos por fotogrametria com as informações extraídas de dados de um Terrestrial Laser Scanner (TLS).

6 Material e Métodos Local: Um Pomar comercial e um pomar experimental do CAV/UDESC, Lages-SC.

7 Material e Métodos Escolha das árvores: Inicialmente buscou uma fileira composta por aproximadamente 10 árvores. Alvos esféricos e tabuleiros para orientar o TLS

8 Material e Métodos Múltiplas Varreduras. TLS FARO 350. (resolução 4mm a 10 metros) Scene 7.1

9 Material e Métodos Tomada das fotos: Câmera Canon EOS Rebel T6 CMOS 5184x3456 (17,9 Megapixels) f = 18 mm

10 Material e Métodos Fotos tiradas de ambos os lados das plantas. Em três disposição, 1 perpendicular as árvores e 2 posições inclinadas, em relação a elas. Agisoft PhotoScan.

11 Material e Métodos Mensurações convencionais foram efetuadas: Diâmetro do Caule, Altura de planta, Número de Frutos e Volume de Copa. (Pesquisa em Andamento). Automatização das mensurações: Diâmetro, Altura, Número de Frutos e Volume.

12 Resultados Preliminares Nuvem Laser:

13 Resultados Preliminares Nuvem Foto:

14 Resultados Preliminares Laser Foto

15 Resultados Preliminares Mensurações Convencionais: Árvore Diâmetro (m) Altura (m) Volume (m³) Número de Frutos ,086 0,080 0,073 0,086 0,083 0,067 0,070 0,083 0,067 0,080 3,8 4,22 4,14 3,89 4,42 4,14 4,04 3,94 4,39 4,44 6,916 6,077 5,920 6,535 6,321 5,382 6,222 6,146 6,146 5, Média Desvio P. 0,077 0,008 4,14 0,23 6,099 0,479 68,8 29,4

16 Resultados Preliminares Mensurações na Nuvem: Árvores Diâmetro Laser Foto Manual Diferenças Laser Foto Distância entre dois pontos (3 posições) Adaptar metodologias automáticas proposta por Buck (2016) e Padilha (2017). A01 0,087 0,086 0,086 0,001 0,000 A02 0,079 0,081 0,080-0,001 0,002 A03 0,058 0,064 0,073-0,015-0,009 A04 0,064 0,069 0,086-0,022-0,017 A05 0,069 0,074 0,083-0,013-0,009 A06 0,082 0,082 0,067 0,015 0,015 A07 0,073 0,079 0,070 0,003 0,009 A08 0,075 0,080 0,083-0,007-0,003 A09 0,058 0,064 0,067-0,009-0,003 A10 0,072 0,085 0,080-0,008 0,005 Média 0,072 0,076 0,077-0,006-0,001 Desvio P. 0,010 0,008 0,008 0,011 0,009

17 Resultados Preliminares Mensurações na Nuvem: Altura Diferenças Laser Foto Árvores Laser Foto Manual A01 3,727 3,448 3,800-0,073-0,352 A02 4,117 4,207 4,220-0,103-0,013 A03 4,032 4,096 4,140-0,108-0,044 A04 3,714 3,233 3,890-0,176-0,657 A05 4,388 4,530 4,420-0,032 0,110 A06 4,050 4,308 4,140-0,090 0,168 A07 4,084 4,168 4,040 0,044 0,128 A08 3,873 4,138 3,940-0,067 0,198 A09 4,333 4,428 4,390-0,057 0,038 A10 4,468 4,716 4,440 0,028 0,276 Média 4,079 4,127 4,142-0,063-0,015 Desvio P. 0,261 0,460 0,227 0,065 0,285 Distância Vertical entre a Base do caule até o Topo da árvore. Adaptar metodologia automática de Cabo et al (2018).

18 Diâmetro Laser Foto 0,087 0,086 0,079 0,081 0,058 0,064 0,064 0,069 0,069 0,074 0,082 0,082 0,073 0,079 0,075 0,080 0,058 0,064 0,072 0,085 0,072 0,076 0,010 0,008 Árvores A01 A02 A03 A04 A05 A06 A07 A08 A09 A10 Média Desvio P. Resultados Preliminares Mensurações Convencionais x Nuvens: Diâmetro do Caule (m) Diferenças Laser Foto 0,001 0,000-0,001 0,002-0,015-0,009-0,022-0,017-0,013-0,009 0,015 0,015 0,003 0,009-0,007-0,003-0,009-0,003-0,008 0,005-0,006-0,001 0,011 0,009 Manual 0,086 0,080 0,073 0,086 0,083 0,067 0,070 0,083 0,067 0,080 0,077 0,008 Diferenças do Diâmetro Calculado (m) Manual 5 6 Laser 7 Foto Laser Foto

19 Altura Resultados Preliminares Mensurações Convencionais x Nuvens: Árvores A01 A02 A03 A04 A05 A06 A07 A08 A09 A10 Média Desvio P. Alturas das Árvores (m) Laser 3,727 4,117 4,032 3,714 4,388 4,050 4,084 3,873 4,333 4,468 4,079 0,261 Foto 3,448 4,207 4,096 3,233 4,530 4,308 4,168 4,138 4,428 4,716 4,127 0,460 Manual 3,800 4,220 4,140 3,890 4,420 4,140 4,040 3,940 4,390 4,440 4,142 0,227 Diferenças Laser Foto -0,073-0,352-0,103-0,013-0,108-0,044-0,176-0,657-0,032 0,110-0,090 0,168 0,044 0,128-0,067 0,198-0,057 0,038 0,028 0,276-0,063-0,015 0,065 0,285 Diferenças de Alturas Calculadas (m) Manual 5 6 Laser 7 Foto Laser Foto

20 Média Diâmetro (m) 0,086 0,080 0,073 0,086 0,083 0,067 0,070 0,083 0,067 0,080 0,077 Desvio P. 0,008 Árvore Resultados Preliminares Mensurações Convencionais x Nuvens: (Volume) 3,8 4,22 4,14 3,89 4,42 4,14 4,04 3,94 4,39 4,44 4,14 Volume (m³) 6,916 6,077 5,920 6,535 6,321 5,382 6,222 6,146 6,146 5,328 6,099 Número de Frutos ,8 0,23 0,479 29,4 Altura (m) Grid = 0,80m Volume = 17,610 m³ Grid = 0,80m Volume = 12,973 m³ Grid = 0,05m Volume = 6,886 m³ Grid = 0,05m Volume = 6,078 m³

21 Resultados Preliminares Contagem de Frutos: A partir de uma imagem 2D. (Wei et al. 2014; Ji et al. 2016; Yongsheng et al. 2015). Imagem RGB Transformação do Espaço de Cores Ohta, HSI, rgb (%), Lab, LUV Separar as bandas destaque para o alvo Limiar Otsu e Binarizar Filtrar e contar elementos

22 Resultados Preliminares Contagem de Frutos: (Espaço de cores) Otha I3 HSI h rgb r Lab A

23 Resultados Preliminares Contagem de Frutos: (Binarização) Otha I3 HSI h rgb r Lab A

24 Resultados Preliminares Contagem de Frutos: (Erosão e Dilatação) Otha I3 HSI h rgb r Lab A

25 Resultados Preliminares Contagem de Frutos: (Contagem de elementos) 230 Frutos Visíveis Otha I3 HSI h rgb r Lab A

26 Resultados Preliminares Contagem de Frutos: (Contagem de elementos) Lab A Frutos Visíveis

27 Resultados Esperados Que detecção de alvos na imagem possam ser utilizados para filtrar e classificar a nuvem de pontos da Foto. Separar da nuvem de pontos as feições de Fruto, Folhas, Tronco e Superfície Espera-se que as quantificações obtidas com a Fotogrametria sejam coerentes com as informações do TLS e com as mensurações convencionais. Se confirmada essa hipótese, representa uma ferramenta para aquisição automática destas informações para os gestores de produção frutícolas.

28 Agradecimentos UFPR UDESC Prof. Jorge Centeno Muito Obrigado!!

29 Sanz et al. (2013) Stein et al. (2016)

30 Colaço et al. (2017)

31

32 Focal 18,9325 Tam. Pixel 0, cx -0, cy 21,8868 k1-0, k2 0, p1-0, p2 0,