🍇 Detección de Uvas de Noche con Sistema de Visión Artificial en Agricultura Inteligente: Optimizando la Cosecha

La detección de uvas de noche con sistema de visión artificial en agricultura inteligente representa un avance fundamental para la eficiencia de la producción vitivinícola, especialmente en variedades que requieren una cosecha selectiva precisa. La recolección nocturna ofrece ventajas agronómicas, como la conservación de la temperatura de la fruta y la estabilización de las condiciones ambientales, lo cual es vital para la calidad de la uva. No obstante, requiere sistemas de visión artificial que sean robustos ante la oscuridad y que puedan operar de manera rápida y precisa, superando los desafíos que presenta el entorno natural.

En este estudio, se propuso un método específicamente diseñado para la uva verde Centennial Seedless, cuyo objetivo principal es la detección del fruto y la localización del punto de recolección para robots cosechadores, empleando un sistema de visión artificial con iluminación artificial estable. El éxito de este método radica en la optimización de los algoritmos de segmentación y la planificación de la estrategia de procesamiento.

I. Visión Artificial Nocturna: La Estabilidad es Clave 💡

El entorno de una vid presenta desafíos significativos para la visión artificial: oclusión, variaciones de color y, durante el día, iluminación inestable (sombras, contraluz). Por ello, la estrategia de trabajo nocturno con iluminación artificial estable es crucial.

1.1. Selección Estratégica del Componente de Color

La selección del componente R (Rojo) del modelo de color RGB fue fundamental para este diseño de visión nocturna.

• Estabilidad Nocturna: Durante el día, la luz natural cambiante provoca una gran superposición en los histogramas de color entre la fruta y el fondo. En contraste, la iluminación LED artificial estable utilizada de noche permite controlar la intensidad lumínica y reducir drásticamente la influencia del entorno.
• Mínima Superposición: Tras un análisis exhaustivo de las características de color de la uva verde, se determinó que el componente R presentaba la menor superposición entre la fruta y el fondo (hojas y otros objetos).
• Clara Distinción de Brillo: Esto es importante porque en el componente R, el brillo de la fruta (uva) era significativamente más alto que el del fondo. Los valores de brillo de la fruta se concentraron principalmente entre 150 y 250, mientras que el fondo se ubicó en su mayoría por debajo de 150. Esta clara separación facilitó enormemente la segmentación posterior.

1.2. Preprocesamiento Acelerado

Una vez seleccionado el componente R, se procedió al preprocesamiento. El componente R se rotó mediante una fórmula específica (para mejorar el contraste) y, lo que es más importante, se comprimió la resolución de la imagen (hasta 50 x 75 píxeles) para acelerar drásticamente el procesamiento, sentando las bases para la estrategia Coarse to Fine.

II. Estrategia «Grueso a Fino» (Coarse to Fine) para la Segmentación

La viabilidad comercial de un robot recolector depende directamente de la velocidad de su ciclo de trabajo. En consecuencia, el algoritmo debe operar a alta velocidad. La estrategia Grueso a Fino fue la clave para reducir el tiempo de ejecución promedio a 0.46 segundos, apto para tareas robóticas, comparado con los 11.8 segundos o incluso 135.4 segundos que tardarían los modelos C-V tradicionales en imágenes de 300 x 450 píxeles.

2.1. Modelo Mejorado de Conjunto de Niveles (C-V)

Para la extracción del área de la fruta, el estudio empleó un modelo mejorado de conjunto de niveles de Chan–Vese C–V.

• Ventaja: Esta mejora reduce significativamente el tiempo de evolución y las iteraciones en comparación con el modelo C–V tradicional. Posteriormente, se aplica un procesamiento morfológico para refinar la segmentación y eliminar el ruido de fondo.

2.2. Proceso Grueso to Fino

La técnica, que adopta la idea de la teoría de la pirámide, se implementó en tres pasos para optimizar la detección del contorno:

1. Procesamiento Inicial a Baja Resolución: La resolución de la imagen del componente R se redujo drásticamente. A esta baja resolución, se aplicó el modelo mejorado C–V para obtener un contorno del fruto inicial («áspero») de forma extremadamente rápida.
2. Ampliación del Contorno: Este contorno inicial se amplió luego a una resolución intermedia (300 x 450 píxeles).
3. Iteración Final: El contorno ampliado se utilizó como la frontera inicial en una iteración posterior con el modelo mejorado C–V para obtener un contorno final más preciso.

Al usar un contorno inicial ya aproximado (obtenido rápidamente a baja resolución), el tiempo de evolución y la cantidad de cálculos necesarios para la segmentación precisa se redujeron drásticamente, haciendo posible el tiempo de ejecución promedio de 0.46  segundos.

III. Localización del Punto de Recolección (Pedúnculo) 🎯

Para el ingeniero agroindustrial, el éxito no es solo detectar la fruta, sino guiar al efector final al pedúnculo, minimizando el daño.

• Característica de Suspensión: El cálculo se basó en la característica de suspensión vertical natural del racimo de uva.
• Cálculo del Segmento: El sistema combinó el principio del rectángulo circunscrito mínimo con el método de detección de línea de Hough. El rectángulo circunscrito ubica el racimo, mientras que Hough identifica las líneas rectas que forman el tallo.
• Punto de Recolección: El punto de recolección se calculó como el punto medio del segmento de tallo cuya línea ajustada tiene un ángulo con la línea vertical menor a 15 grados. Esta restricción angular asegura que el robot está apuntando a un tallo relativamente vertical y accesible.

3.1. Precisión del Sistema

Los experimentos arrojaron una precisión de detección de la fruta del 91.67%. La precisión del cálculo del punto de recolección varió con la distancia: fue más alta (92.5%) a una profundidad de 500  mm y más baja (80.0%) a 1000  mm. Esto implica que, para maximizar la precisión, el robot cosechador debe aproximarse a una distancia óptima de 500 mm antes de ejecutar el corte.

En resumen, la detección de uvas de noche con sistema de visión artificial en agricultura inteligente es un modelo viable que combina una iluminación estable, una elección inteligente del espacio de color y una optimización algorítmica (Grueso a Fino) para ofrecer la velocidad y precisión requeridas para la cosecha robótica de fruta.