Queste informazioni sono necessarie per la pianificazione del lavoro e per la gestione della raccolta in termini di attrezzature e trasporto dal frutteto al magazzino di condizionamento e lavorazione delle mele.
Al momento, le tecniche che si basano su un sistema di visione artificiale per la stima del carico produttivo delle colture hanno ottenuto un successo molto limitato, poiché la precisione di tali tecniche è compromessa solitamente sia dall'occlusione delle mele da parte di rami, foglie o altre mele, sia dalle condizioni variabili di illuminazione.
Al fine di minimizzare l'effetto di questi fattori, ricercatori USA hanno sviluppato un nuovo sistema di sensori con una piattaforma sulla fila (Over-The-Row platform, OTR) integrata a una struttura a tunnel che acquisisce le immagini dai lati opposti delle piante.
Sistema di sensori utilizzato per la raccolta dati: (a) Prosilica GigE Color Camera (i) e PMD CamCube 3D camera (ii), (b) Over-the-Row (OTR) platform con struttura a tunnel, e (c) Trilliant 36 LED light.
La struttura a tunnel minimizza l'illuminazione delle mele con la luce diretta del sole e riduce la variabilità delle condizioni di illuminazione.
Il sistema è stato testato in un meleto con forma di allevamento a fuso, le immagini acquisite attraverso il passaggio sulle piante per identificare le mele hanno permesso di ottenere una precisione di identificazione dell'80%.
Mele identificate in un'immagine a colore (a), le mele corrispondenti nell'immagine 3D (b).
La posizione delle mele nello spazio tridimensionale (3D) è stata utilizzata per eliminare il doppio conteggio delle mele che erano visibili alle telecamere da entrambi i lati della chioma. L'errore del doppio conteggio è stato del 21%.
In generale, il metodo ha raggiunto una precisione dell'82% sulla stima del carico delle piante visionate da entrambi i lati rispetto alla precisione del 58% dei sistemi con la visione di un solo lato della chioma.
I ricercatori concludono: "Questo sistema di visione artificiale sulla fila ha dimostrato di essere un sistema accurato e affidabile nella stima del carico di mele di un frutteto. I risultati però possono essere ulteriormente migliorati con l'attuazione di tecniche finalizzate a: 1) una migliore elaborazione e classificazione delle immagini, che permetta di identificare mele verdi (immature) e mele rosse, 2) un migliore rilevamento 3D e mappatura della chioma. Per l'applicazione pratica di questo sistema in frutteto, si dovranno inoltre aggiungere sensori di rilevamento del calibro delle mele e la possibilità di mappare la chioma e di elaborare le immagini in tempo reale".
Fonte: A. Gongal, A. Silwal, S. Amatya, M. Karkee, Q. Zhang, K. Lewis, 'Apple crop-load estimation with over-the-row machine vision system', Gennaio 2016, Computers and Electronics in Agriculture, Vol. 120. Pag. 26–35.
www.sciencedirect.com/science/article/pii/S016816991500335X
Contatti:
M. Karkee
Biological Systems Engineering Department, United States
Center for Precision and Automated Agricultural Systems, United States
Email: manoj.karkee@wsu.edu