Tesis:
Phenotypic Characterization of Crops for Automation of Agricultural Tasks
- Autor: KRUS, Anne Marijke
- Título: Phenotypic Characterization of Crops for Automation of Agricultural Tasks
- Fecha: 2022
- Materia: Sin materia definida
- Escuela: E.T.S. DE INGENIERÍA AGRONÓMICA, ALIMENTARIA Y DE BIOSISTEMAS
- Departamentos: INGENIERIA AGROFORESTAL
- Acceso electrónico: https://oa.upm.es/71880/
- Director/a 1º: VALERO UBIERNA, Constantino
- Resumen: Esta tesis pretende detectar la variación fenotípica causada por una diferencia en la disponibilidad de nutrientes en el suelo, como parte de un proyecto europeo transnacional sobre el cultivo ecológico en franjas de hortalizas. Los datos se recogen desde un carrito de sensores ligero y de propulsión manual que lleva dos tipos de sensores principales: una cámara multiespectral y varios light detection and ranging sensors (lidars). Cada uno de estos sensores se encuentra a una distancia típica de hasta 1 m de la vegetación, ya que el equipo es empujado a lo largo de la línea de cultivo. Este movimiento no es constante ni en velocidad ni en orientación, ya que la rugosidad del terreno añade un ruido considerable a la consistencia de los datos de los sensores. Se aplica una diferencia deliberada en la dosis de fertilizante a los cultivos experimentales para crear una variación artificial en la salud de los cultivos y/o el estrés de las plantas. El efecto fenotípico de esta variación a priori en los datos producidos por cada uno de los tipos de sensores se aborda como un problema de caja negra. Más concretamente, se comprobó que las indicaciones convencionales sobre la salud de los cultivos, como la normalised difference vegetation index (NDVI), no cambiaban entre las estrategias de fertilización, ni en entornos interiores controlados, por ejemplo en un invernadero, ni en los experimentos en el campo. El sistema de cultivo aplicado en los ensayos de campo es el cultivo en franjas, en el que se definen franjas de 1 a 4 filas del mismo tipo de cultivo, que se alternan con franjas de otros tipos de cultivo para mejorar la biodiversidad y reducir las plagas, entre otros. Estos efectos positivos fueron estudiados y cuantificados por otros socios del proyecto, donde el inconveniente de este sistema de cultivo mixto está en la intensidad de trabajo añadida. Para contrarrestar este aumento, se desarrolla un prototipo con un brazo robótico que puede realizar intervenciones como la aplicación de fertilizantes (líquidos) a nivel de una sola planta. Para ello es necesario un algoritmo de toma de decisiones que evalué la necesidad de intervención a la misma escala. Esta tesis cubre el desarrollo de algoritmos para dos principales tipos de sensores disponibles para este prototipo: imágenes multiespectrales y detección con lidar. Ambos algoritmos se desarrollan de forma incremental a través de varios experimentos de complejidad creciente. Finalmente, los resultados de estas investigaciones paralelas se comparan entre sí y con una medida real. De los resultados de ambos algoritmos por separado se puede concluir que algunas etapas de crecimiento y/o tipos de cultivo se benefician de un sistema de detección sobre el otro, mientras que la mayoría de los cultivos experimentales dieron los mismos resultados a través de cualquiera de los dos sensores. Aunque no se intentó cuantificar la salud de los cultivos, estos resultados señalan una diferencia fenotípica detectable, que puede aprovecharse para tomar decisiones automáticas a nivel de una sola planta. Los cultivos que se solapaban hacia el final de la temporada de crecimiento ya no eran distinguibles individualmente, pero su cobertura relativa del suelo era, no obstante, rastreable. Dado que cualquier acción de fertilización debe aplicarse al principio de la temporada, esto no supone un problema para el desarrollo del prototipo robótico. Un retraso detectado en el crecimiento o la salud de las plantas por cualquiera de los dos tipos de sensores puede utilizarse como punto de partida para una acción (automática) a nivel de cada planta, evitando así la aplicación de, por ejemplo, herbicidas o fertilizantes en grandes áreas a la vez. Esto lleva a la agricultura de precisión, que se centra en las diferencias locales, al siguiente nivel. Esta aplicación automática de intervenciones en cultivos individuales queda fuera del ámbito de este trabajo, pero ya se ha demostrado con éxito como prueba de concepto con el brazo robótico antes mencionado. Esto está publicado en forma de una serie de vídeos explicativos de demostración disponibles en el sitio web del proyecto. ----------ABSTRACT---------- This thesis aims to detect the phenotypical variation caused by a difference in nutrient availability in the soil, as part of a transnational European project on organic stripcropping in vegetables. The data is collected from a manually propelled light-weight sensor rig carrying two main sensor types: a multi-spectral camera and various light detection and ranging sensors (lidars). Each of these sensors has a typical distance of up to 1 m from the vegetation, as the rig is pushed along the crop row. This movement is neither constant in velocity nor in orientation, as the roughness of the terrain adds considerable noise to the consistency of the sensor data. A deliberate difference in fertiliser dosage is applied to the experimental crops to create an artificial difference in crop health and/or plant stress. The phenotypic effect of this a priori variation on the data produced by each of the sensor types is approached as a black box problem. More specifically, it was found that conventional indications for crop health such as normalised difference vegetation index (NDVI) did not change between the fertiliser strategies, neither in controlled indoor settings, e.g. in a greenhouse, nor in the outdoor experiments. The applied cropping system in the field trials is strip-cropping cultivation, where strips of 1-4 rows of the same crop type define a strip, which are alternated by strips of other crop types to improve biodiversity and reduce plagues, among others. These positive effects were studied and quantified by other project partners, where the downside of such a mixed cropping system is in the added labour intensity. To counteract this increase, a prototype with a robotic arm is developed that can carry out interventions such as (liquid) fertiliser application on a single-plant level. This requires a decision-making algorithm that assesses an intervention necessity at the same scale. This thesis covers the development of processing algorithms for two main sensor types available for this prototype: multi-spectral imaging and lidar sensing. Both algorithms are developed incrementally through several experiments of increasing complexity. Finally, the results of these parallel investigations are compared to each other and a known ground truth. From the results of both separate algorithms, it can be concluded that some growing stages and/or crop types benefit from one sensing system over the other, while the majority of experimental crops yielded the same results through either sensor. Although a quantification of crop health was not attempted, these results signal a detectable phenotypical difference, which can be exploited for automatic decisions on a single-plant level. The crops that overlapped towards the end of the growing season were no longer individually distinguishable, but their relative soil coverage was trackable nonetheless. As any fertilisation action should be applied early on in the season, this does not pose a problem for the development of the robotic prototype. A detected lag in growth or plant health by either sensor type can be used as a starting point for (automatic) action on the single-plant level, hereby avoiding applications of e.g. herbicides or fertilisers over large areas at once. This takes precision agriculture, which focusses on local differences, to the next level. This automatic application of interventions on individual crops is outside the scope of this work, but has already been demonstrated successfully as a proof of concept with the aforementioned robotic arm. This is published in the form of a series of available explanatory demonstration videos on the project website.