Conteo de frutos de pepita utilizando deep learning y mapas de profundidad.

Abstract

El problema abordado en este trabajo consiste en contar las manzanas en un campo de manzanos, donde los árboles están organizados en varias filas paralelas. Un robot debe desplazarse entre estas filas para realizar el conteo completo. Parte de la dificultad radica en que algunas manzanas pueden estar ocultas si se recorre desde un solo lado de la fila, lo que podría llevar a errores si no se considera esta posibilidad. Por otro lado, si se registra la fila de ambos lados, el conteo doble derivado de registrar las filas de árboles desde ambos lados, complica la obtención de resultados precisos. Para solucionar estas dificultades, se desarrolló un sistema basado en técnicas de visión por computadora y aprendizaje profundo. Este sistema utiliza un pipeline modular compuesto por tres etapas principales: detección, seguimiento y filtrado. Este diseño permite abordar las complejidades del problema de manera eficaz, mejorando significativamente la precisión del conteo respecto de su variante sin el módulo de filtrado y ofreciendo flexibilidad para adaptarse a diferentes escenarios agrícolas. La etapa de detección empleó modelos avanzados de redes neuronales convolucionales, específicamente You Only Look Once en su versión 8l y 9c, los cuales demostraron un desempeño sobresaliente en términos de precisión y tiempos de ejecución, superando métodos tradicionales y otros enfoques del estado del arte. En cuanto al seguimiento, se priorizó la precisión utilizando DeepOCSORT, que demostró ser eficaz por sobre otros algoritmos para mantener la coherencia en el seguimiento, incluso en condiciones desafiantes, como oclusiones y variabilidad de iluminación. El filtrado jugó un rol crucial para abordar problemas como el conteo doble y las detecciones erróneas. Entre los algoritmos de filtrado evaluados, el basado en planos resultó ser el más efectivo, logrando un error relativo promedio de 5.9% en escenarios controlados, comparado con un 47.9% de error al no aplicar ningún filtro. Esto confirma la utilidad de esta etapa para mejorar la precisión global del sistema. Adicionalmente, se integraron cámaras estéreo al robot simulado para capturar mapas de profundidad, estas cámaras permitieron que los mecanismos de filtrado realicen su trabajo de forma acorde a como fueron diseñados. El sistema desarrollado fue validado mediante una gran variedad de experimentos, mostrando una mejora significativa en las métricas de precisión y consistencia en comparación con enfoques previos. Aunque el trabajo no se centró en la implementación en tiempo real, se identificaron oportunidades para optimizar el pipeline hacia esta dirección en futuras investigaciones. En resumen, este trabajo presenta un sistema modular para el conteo de manzanas en filas de árboles, integrando detección, seguimiento y filtrado. Las evaluaciones muestran mejoras gracias a la implementación de los algoritmos de filtrado y a la utilización de métodos de ajuste, lo que indica potencial para futuras optimizaciones y aplicaciones en condiciones reales.