Trabajo de grado - Maestr?a
Estimaci?n de fenotipos de pl?ntulas de ma?z a partir de nubes de puntos adquiridas en ambiente controlado
Registro en:
Autor
Betancourt Lozano, Juan Jose
Institución
Resumen
La fenotificaci?n o estimaci?n de rasgos morfol?gicos en pl?ntulas, mediante t?cnicas se miautom?ticas, es cada vez m?s relevante en los estudios de valoraci?n de genotipos a nivel de ?rganos, consiguiendo tener un an?lisis m?s preciso de las caracter?sticas de ca da planta en ambientes controlados, permitiendo de esta manera encontrar las mejores variedades. As?, en este trabajo se presenta una t?cnica semiautom?tica para la segmen taci?n de ?rganos de pl?ntulas de ma?z y la estimaci?n de caracter?sticas fenot?picas a
nivel poblacional, individual y de ?rganos. Para ello, se utiliz? una plataforma LiDAR construida previamente por otro miembro del proyecto y la base de datos obtenida en dicho trabajo como punto de partida. Mediante pruebas experimentales, se estableci? un
protocolo de adquisici?n para mejorar la calidad de los datos obtenidos por la plataforma, el cual se utiliz? para aumentar la base de datos existente. Luego, se realiz? un estudio comparativo de filtros empleados para la eliminaci?n de ruido en nubes de puntos con
el fin de mejorar la calidad de la base de datos. Posteriormente, empleando t?cnicas de aprendizaje de maquinas cl?sico y procesamiento de im?genes, se realiz? la segmentaci?n del tallo de la planta y la identificaci?n de cada hoja. Los resultados obtenidos arrojaron una exactitud del 85.71 % en la segmentaci?n del tallo, 85.50 % en el conteo de hojas y 70.11 % en la identificaci?n de hojas. Por ?ltimo, se obtuvieron algunos fenotipos del ma?z que se encuentran en la literatura y se analizaron a nivel poblacional (altura promedio y cantidad de hojas promedio), individual (altura, ?rea foliar, ?ngulo de inclinaci?n y volumen) y de ?rganos (largo, ancho, ?ngulo de inclinaci?n y volumen). The phenotyping or estimation of morphological traits in seedlings, by means of semiau tomatic techniques, is becoming more and more relevant in genotype evaluation studies at the organ level, achieving a more precise analysis of the characteristics of each plant in controlled environments, thus allowing to find the best varieties. Thus, this work presents a semi-automatic technique for the segmentation of maize seedling organs and the esti mation of phenotypic characteristics at the population, individual and organ level. For this purpose, a LiDAR platform previously built by another member of the project and the database obtained in that work were used as a starting point. Through experimental tests, an acquisition protocol was established to improve the quality of the data obtained by the platform, which was used to augment the existing database. Then, a comparative study of filters used for the elimination of noise in point clouds was carried out in order to improve the quality of the database. Subsequently, using classical machine learning and image processing techniques, the segmentation of the plant stem and the identification of
each leaf was performed. The results obtained showed an accuracy of 85.71 % in stem seg mentation, 85.50 % in leaf counting and 70.11 % in leaf identification. Finally, some maize phenotypes found in the literature were obtained and analyzed at the population (average height and average number of leaves), individual (height, leaf area, angle of inclination and volume) and organ (length, width, angle of inclination and volume) levels. Maestr?a Mag?ster en Ingenier?a de Control Contiene ilustraciones y anexos Contenido
Resumen . . . . . iii
Lista de Figuras .. . . . x
Lista de Tablas . . . . xii
Introducci?n . . . . . . 1
1. Objeto de Estudio 3
1.1. Antecedentes y delimitacion del problema . . . . 3
1.2. Pregunta de Investigaci?n . . . . . . . 4
1.3. Justificaci?n del estudio . . . . . . . 5
1.4. Estado del arte . . . . . . . . . 5
1.4.1. Trabajo relacionado . . . . . . 5
1.4.2. Trabajo previo . . . . . . . . 7
1.5. Objetivos ... . . . . . 8
1.5.1. Objetivo General . . . . . . . 8
1.5.2. Objetivos Espec?ficos . . . . 9
2. Marco Te?rico 10
2.1. Fenotipado de plantas . . . . 10
2.2. Nube de puntos . . . . . . . . 11
2.3. Registro de nube de puntos . . 11
2.4. Instrumentos de adquisici?n de nubes de puntos . . . . . . 12
2.4.1. Sensor EinScan Pro v2 . . . . . . . . . . . 12
2.4.2. Sensor Hokuyo UTM-30LX . . . . . . . . . . 14
2.4.3. Sensor LiDAR SICK LMS4121R-13000 . . . . . 15
2.5. Filtrado de nube de puntos ..... . . . . . . 16
2.6. Medici?n del error . . . . . . . . . . . . 17
2.6.1. Error cuadr?tico Medio (RMSE) . . . . . . 18
2.6.2. Indice de Jaccard . . . . . . . . . . . . 18
2.7. Vecindad en nubes de puntos . . . . . . . . 18
2.8. Descriptores . . . . . . . . . . 20
2.9. Clasificador . . . . . . . . . 21
2.10. M?tricas de evaluaci?n de clasificadores . . . . . . . 23
3. Desarrollo 25
3.1. Protocolo de adquisici?n. . . . . . . . . 25
3.1.1. Recopilaci?n de protocolos de adquisici?n de otros sensores . . . . 26
3.1.2. Protocolo de adquisici?n uno . . . . . . . . . . . . . . . 35
3.1.3. Mejoras del protocolo de adquisici?n . . . . . . . . . . 39
3.2. Base de datos y fenotipos . . . . . . . . . . . . . . . . 44
3.2.1. Segmentaci?n de ?rganos . . . . . . . . . . . . . . . . 47
3.2.2. Obtenci?n de los datos Ground Truth . . . . . . . . . . 49
3.3. Preprocesamiento . . . . . . . . . . . . 51
3.3.1. Segmentaci?n del objeto y entorno . . . . . 51
3.3.2. Filtrado . . . . . . . . . . . . . . . 53
3.4. M?todo semiautom?tico de estimaci?n . . 58
3.4.1. Segmentaci?n de ?rganos . . . . . . . 59
3.4.2. Estimaci?n de fenotipos .. . . . . . . 71
4. Resultados 78
4.0.1. Mejoras en exactitud del escaneo y condiciones de las plantas . . . 78
4.0.2. Segmentaci?n del tallo . . . . . . 79
4.0.3. Segmentaci?n de hojas . . . . . . 81
4.0.4. Estimaci?n de fenotipos . . . . . 83
5. Conclusiones y Recomendaciones 91
5.1. Conclusiones . . . . . . . . . . 91
5.2. Recomendaciones . . . . . . . . 92
5.3. Aportes . . . . . . . . . . . . 93
6. Anexos 103
6.1. Anexo A: Valores de RMS e ?ndice de Jaccard de la identificaci?n de los
mejores filtros para las nubes de puntos de la base de datos . . . . . . . . 103
6.2. Anexo B: Distribuciones gaussianas de los descriptores evaluando la clase
hojas y tallo por separado en cada tipo de vecindario. . . . . . . . . . . . 105
6.3. Anexo C: Gr?ficas de cambio de cantidad de autovalores y componentes
principales en los m?todos LDA y PCA en cada vecindario. . . . . . . . . 115
6.4. Anexo D: Accuracy, F1-Score y Matrices de confusi?n resultantes de la
aplicaci?n de los metodos de clasificaci?n en la identificaci?n del tallo y
hojas . . . . . 120
6.5. Anexo E: Comparaci?n de estimaci?n de cantidad de hojas utilizando des criptor DAP . . . . . . . . 126
6.6. Anexo F: Publicaciones y eventos. . . . . . 128
6.6.1. Publicaciones . . . . . . . . . . . . 128
6.6.2. Participaci?n en eventos . . . . . . 131
6.6.3. Premios . . . . . . . . . . . . . . 137
6.7. Anexo G: Participaci?n en trabajos de grado . . . . . . . . 138
6.7.1. Participaci?n en proyectos de maestr?a . . . . . . . 138
6.7.2. Participaci?n en proyectos de pregrado . . . . . . . . . 139
6.8. Anexo H: Registro de prototipo de Hardware y Software . . . . 143
6.8.1. Registro Hardware . . . . . . . . 143
6.8.2. Registro Software . . . . . . . 143