Author

Nieves, Tomás ; Pereda, Belén ; Tarigo, Tomás

Tutor

Cabrera, Álvaro;Rondán, Nicolás

Institución otorgante

Universidad de Montevideo. Facultad de Ingeniería

Extensión

73 p

Abstract

El presente proyecto, desarrollado en conjunto con la Facultad de Agronomía, propone una pipeline de visión por computadora y aprendizaje automático para la estimación de productividad en viñedos uruguayos utilizando cámaras RGB-D Intel RealSense. A partir del procesamiento de secuencias de video y datos de profundidad, se exploran distintas estrategias para extraer métricas asociadas a los racimos de uva y correlacionarlas con datos reales de producción, evaluando el potencial de este tipo de tecnologías para la estimación temprana de rendimiento en viñedos. El trabajo implementa un flujo de procesamiento que integra la segmentación de racimos mediante un modelo de segmentación de propósito general, el seguimiento temporal de objetos a lo largo de las secuencias de video, y la fusión de información de color y profundidad para la estimación de métricas geométricas como área proyectada y volumen. Se formula una metodología estructurada que abarca desde el preprocesamiento de los datos capturados en campo y la calibración geométrica de la cámara, hasta la generación de variables agregadas por sector y por fila del viñedo. Se comparan distintas estrategias de estimación volumétrica —basadas en profundidad, en envolvente convexa (convex hull) y en voxelización— y se evalúan modelos de regresión supervisada para predecir el peso real de la cosecha a partir de las métricas extraídas. Asimismo, se analiza el impacto de diferentes métodos de limpieza de datos y tratamiento de valores atípicos sobre la calidad de las correlaciones y el desempeño de los modelos. Todas las propuestas han sido validadas utilizando datos reales provistos por la Facultad de Agronomía, correspondientes a sectores de un viñedo comercial. El modelo final, basado en estimación volumétrica por profundidad y regularizado para controlar el sobreajuste, alcanza un error porcentual medio inferior al de los métodos manuales tradicionales. Adicionalmente, una prueba de concepto en condiciones de luz diurna confirma la viabilidad del sistema para operar sin necesidad de iluminación artificial.

Palabras claves

Visión por computadora Machine Learning Estimación de rendimiento Viticultura de precisión Cámaras RGB-D Segmentación de racimos

Versión

Aceptada

Título obtenido

Ingeniero en informática

Collections

• Proyecto fin de carrera [1]