Aplicación de técnicas de visión artificial en dispositivos de bajo costo para mejorar la eficiencia en la agricultura de precisión

Abstract

[ES] En el contexto del crecimiento tecnológico en los últimos años gracias al trabajo distribuido y las fuentes de código abierto, la visión por computadora ha sido una tecnología innovadora que ha revolucionado la forma en que las máquinas pueden interactuar y comprender el mundo visual que nos rodea. Es indispensable aprovechar esta tecnología para apoyar en la solución de uno de los problemas principales actuales en el mundo: el hambre en una población creciente. En este trabajo se concibe, diseña, implementa y opera un método de visión por computadora e inteligencia artificial para la detección de frutos con una estimación integrada de su profundidad en la escena. Este método se puede aprovechar para integrarse en sistemas autónomos de cosecha de frutos o tareas de fenotipado. El modelo de detección de objetos con estimación de profundidad (DOD) se entrena y evalúa para las tareas de detección de objetos comunes y la detección de frutos, y se compara con los modelos del estado del arte actual. Los resultados obtenidos demuestran la eficiencia del método propuesto para operarse en sistemas embebidos con un balance de precisión y velocidad suficiente para aplicaciones en tiempo real en dispositivos de borde en el contexto del Internet de las Cosas (IoT).

[EN] In the context of technological growth in recent years, driven by distributed work and open-source resources, computer vision has been an innovative technology that has revolutionized the way machines can interact with and comprehend the visual world around us. Leveraging this technology is crucial to addressing one of the current world's major challenges: hunger in a growing population. This work conceives, designs, implements, and operates a computer vision and artificial intelligence method for fruit detection with integrated depth estimation in the scene. This method can be utilized for integration into autonomous fruit harvesting systems or phenotyping tasks. The Depth Object Detector (DOD) Model is trained and evaluated for common object detection and fruit detection tasks. It is compared to current state-of-the-art models. The results obtained demonstrate the efficiency of the proposed method for operation on embedded systems, with a balance of accuracy and speed suitable for real-time applications on edge devices in the context of the Internet of Things (IoT).