El fenómeno de los vehículos sin conductor ha llegado al sector agrario. La detección de hierbas, la aplicación de nutrientes y fertilizantes, la detección de plagas, el cultivo o la siega son actividades ejecutadas por vehículos autónomos con eficiencia y precisión.
En este contexto resulta fundamental la detección de obstáculos que se encuentran en la trayectoria del vehículo, lo que garantiza la seguridad y la continuidad del proceso que se esté ejecutando.
Un algoritmo diseñado por la Universidad Complutense de Madrid (UCM) es capaz de detectar elementos inesperados en el terreno, con una tasa de éxito del 93%. La herramienta se ha probado con vídeos agrícolas grabados en campos de maíz y bajo diferentes condiciones de iluminación y crecimiento de las plantas. Los vídeos se obtuvieron con una cámara montada en un tractor, que es parte de la flota del proyecto RHEA.
“En los vídeos se observan personas, árboles y otros tractores en acción”, explica Yerania Campos, investigadora del departamento de Ingeniería de Software e Inteligencia Artificial de la UCM y autora principal del trabajo, en el que participa el Instituto Politécnico Nacional–CIC (México).
Para detectar obstáculos se han estudiado las propiedades de color y textura en las imágenes. Cuando un obstáculo se detectaba, el siguiente paso era determinar si el objeto se encontraba estático (como árboles, tuberías o postes) o en movimiento (personas caminando o tractores).
La detección de objetos en el área de cultivo permite anticipar y prevenir colisiones evitando así posibles daños, tal y como revela el estudio, publicado en Applied Soft Computing.
Sin aprendizaje
“El método no requiere de ningún proceso de aprendizaje; es su principal ventaja” destaca Campos. La herramienta, que se probó en 110 vídeos capturados en escenarios reales, se utilizará con pruebas en tiempo real.
A día de hoy, existen diferentes técnicas para detectar obstáculos en vehículos autónomos con tasas de detección superiores al 96%. Sin embargo, de momento no es posible garantizar al 100% que no ocurra un impacto.
“Existen factores externos al sistema que son difíciles de controlar. Por ejemplo, no es posible predecir las acciones de una persona o de los animales dentro y fuera del área de cultivo”, admite la investigadora.
Referencias bibliográficas:
Yerania Campos, Humberto Sossa y Gonzalo Pajares. “Spatio-temporal analysis for obstacle detection in agricultural videos”, Applied Soft Computing 45, agosto 2016. DOI: 10.1016/j.asoc.2016.03.016.
Emmi, L., Gonzalez-de- Soto, M., Pajares, G., Gonzalez-de- Santos, P. “Integrating sensory/actuation systems in agricultural vehicles”, Sensors, 14(3), 2014. DOI: 10.3390/s140304014.
Imagen: Detección de obstáculos en vídeos de campos de maíz. / RHEA.
El gen AtCDF3 promueve una mayor producción de az...
Un estudio con datos de los últimos 35 años, ind...
Un equipo de investigadores de la Universidad Juli...
En nuestro post hablamos sobre este interesante tipo de célula del si...
Palobiofarma S.L. se complace en anunciar la finalización del tratami...
