Trabajo de grado - Maestría
Extraction of morphological and spectral features of potato plants from high resolution multispectral images
Fecha
2021-03-16Registro en:
Universidad Nacional de Colombia
Repositorio Institucional Universidad Nacional de Colombia
Autor
Rodríguez Galvis, Jorge Luis
Institución
Resumen
Este trabajo estudia el uso de características espectrales y morfológicas en la evaluación y detección del tizón tardío de la papa utilizando imágenes multiespectrales de muy alta resolución capturadas por vehículos aéreos no tripulados (UAV). Los métodos tradicionales de detección y cartografía del tizón tardío consumen mucho tiempo, requieren un gran esfuerzo humano y, en muchos casos, son subjetivos. El estudio de las características geométricas y espectrales de las plantas de papa mediante UAV puede contribuir a mejorar la eficiencia de los sistemas de detección de campo que se utilizan actualmente. Esta investigación busca contribuir a la determinación de los métodos de captura, procesamiento y análisis de los datos adquiridos a través de UAV de manera que proporcione a los productores herramientas confiables para el mejoramiento y manejo de sus cultivos de manera ágil y eficiente. El enfoque de este estudio integra operaciones morfológicas y evalúa el rendimiento de cinco algoritmos de aprendizaje automático: bosque aleatorio (RF), clasificador de aumento de gradiente (GBC), clasificador de vectores de soporte (SVC), clasificador de vectores de soporte lineal (LSVC) y K- vecinos más cercanos. (KNN) para detectar áreas de tizón tardío. Los principales componentes del enfoque propuesto son: (i) corrección radiométrica y geométrica de imágenes en bruto; (ii) eliminación del suelo desnudo mediante la aplicación de una técnica de umbralización; (iii) la generación de índices espectrales; (iv) la construcción de características morfológicas de las plantas; (v) un procedimiento de clasificación supervisado utilizando algoritmos de ML; y (vi) uso de modelos previamente entrenados para clasificar un nuevo conjunto de datos. El desempeño del método se evalúa en dos fechas en un campo de papa experimental. Los resultados mostraron que los clasificadores LSVC y RF se desempeñaron mejor en términos de métricas de precisión y tiempo de ejecución. El estudio mostró que el método propuesto permite la detección del tizón tardío con poca intervención humana. (Texto tomado de la fuente) This work studies the use of spectral and morphological features in the evaluation and detection of potato late blight using very high resolution multispectral images captured by Unmanned Aerial Vehicles (UAV). Traditional late blight detection and mapping methods are time-consuming, require great human effort and, in many cases, are subjective. The study of the geometric and spectral characteristics of potato plants by means of UAV can contribute to improving the efficiency of the field detection systems that are currently used. This research seeks to contribute to the determination of the capture, processing and analysis methods of the data acquired through UAV in a way that provides producers with reliable tools for the improvement and management of their crops in an agile and efficient way. The approach of this study integrates morphological operations and evaluates the performance of five machine learning algorithms: Random Forest (RF), Gradient Boosting classifier (GBC), Support Vector Classifier (SVC), Linear Support Vector Classifier (LSVC) and K- Nearest Neighbours (KNN) to detect late blight areas. The main components of the proposed approach are: (i) radiometric and geometric correction of raw images; (ii) elimination of bare soil by applying a thresholding technique; (iii) the generation of spectral indices; (iv) the construction of morphological features of the plants; (v) a supervised classification procedure using ML algorithms; and (vi) use of pre-trained models to classify a new data set. The performance of the method is evaluated on two dates in an experimental potato field. The results showed that the LSVC and RF classifiers performed the best in terms of accuracy and execution time metrics. The study showed that the proposed method allows the detection of late blight with little human intervention.