Predicción automática de la carga frutal de olivos empleando UAV y redes convolucionales

  1. Pablo Asensio Jiménez 1
  2. Diego Manuel Martínez Gila 1
  3. Silvia Satorres Martínez 1
  4. Elisabet Estévez Estévez 1
  5. Juan Gómez Ortega 1
  6. Javier Gámez García 1
  1. 1 Universidad de Jaén
    info

    Universidad de Jaén

    Jaén, España

    ROR https://ror.org/0122p5f64

Book:
XLIII Jornadas de Automática: libro de actas: 7, 8 y 9 de septiembre de 2022, Logroño (La Rioja)
  1. Carlos Balaguer Bernaldo de Quirós (coord.)
  2. José Manuel Andújar Márquez (coord.)
  3. Ramón Costa Castelló (coord.)
  4. C. Ocampo-Martínez (coord.)
  5. Juan Jesús Fernández Lozano (coord.)
  6. Matilde Santos Peñas (coord.)
  7. José Simo (coord.)
  8. Montserrat Gil Martínez (coord.)
  9. José Luis Calvo Rolle (coord.)
  10. Raúl Marín (coord.)
  11. Eduardo Rocón de Lima (coord.)
  12. Elisabet Estévez Estévez (coord.)
  13. Pedro Jesús Cabrera Santana (coord.)
  14. David Muñoz de la Peña Sequedo (coord.)
  15. José Luis Guzmán Sánchez (coord.)
  16. José Luis Pitarch Pérez (coord.)
  17. Óscar Reinoso García (coord.)
  18. Óscar Déniz Suárez (coord.)
  19. Emilio Jiménez Macías (coord.)
  20. Vanesa Loureiro-Vázquez (coord.)

Publisher: Servizo de Publicacións ; Universidade da Coruña

ISBN: 978-84-9749-841-8

Year of publication: 2022

Pages: 956-963

Congress: Jornadas de Automática (43. 2022. Logroño)

Type: Conference paper

DIALNET GOOGLE SCHOLAR lock_openRUC editor

Abstract

El sector del aceite de oliva y de la aceituna de mesa representan ya el 3% del PIB total de Andalucía. Teniendo en cuenta las cifras que este hecho supone, predecir la cosecha campaña tras campaña es clave para definir estrategias de marketing. Dada la gran superficie de olivar existente resulta interesante la integración de tecnologías emergentes que puedan facilitar esta tarea de predicción. En este trabajo se estudia la viabilidad del uso de cámaras de visión por computador de espectro visible embarcadas en UAVs para valorar de forma cualitativa la carga frutal de los olivos de una plantación. Las imágenes adquiridas fueron etiquetadas y posteriormente utilizadas para entrenar tres arquitecturas CNN (AlexNet, GoogLeNet, y ResNet) por el método de transferencia de aprendizaje. La arquitectura que mejor rindió fue GoogLeNet, que posteriormente fue optimizada obteniendo finalmente una tasa de éxito del 90% a la hora de clasificar imágenes que mostraban regiones de olivos con carga alta, media, baja y descarte (no olivo).

Data source: Dialnet