Análisis del articulo

Revisión de literatura caña de azúcar

Weed detecting robot in sugarcane fields using fuzzy real time classifier

Reflejos

Los objetivos de este capítulo son comprender los componentes lógicos de los
sistemas de manejo de malas hierbas exitosos y la complejidad de combinar las
técnicas disponibles de control de malezas. El capítulo explica el objetivo de la
gestión integrada de malezas, que consiste en estabilizar la población de malas
hierbas a un nivel bajo utilizando métodos sostenibles y económica y
ambientalmente racionales. Se introduce el papel de los modelos de ayuda a la
decisión basados en computadora en el manejo de malezas

• Un sistema de clasificación de imágenes se diseña extrayendo texturas de hojas

internas. Se desarrolla un nuevo clasificador difuso en tiempo real para clasificar
automáticamente las malezas y los cultivos en los campos de caña de azúcar.

• Los operadores morfológicos se utilizan para capturar el patrón morfológico del

cultivo y la maleza. Se ha fabricado y probado un robot que lleva placa, cámara,
motores y sistema de alimentación de Raspberry PI. El hardware identifica el
cultivo de caña de azúcar de 9 diferentes especies de malezas con 92.9% de
precisión.

Resumen
El objetivo de este trabajo de investigación es proponer un modelo robótico de
detección de malezas para los campos de caña de azúcar que utiliza un clasificador
difuso en tiempo real sobre las texturas de las hojas. La diferenciación entre
malezas y cultivos y la eliminación de malezas son dos tareas desafiantes para los
agricultores, especialmente en el escenario de cultivo de caña de azúcar de la India.
La detección y eliminación automática de malezas se convierte en una tarea vital
para mejorar la rentabilidad y la eficiencia de los procesos agrícolas. La detección
de malas hierbas por el modelo robótico emplea un sistema de control basado en
Raspberry Pi colocado en un vehículo en movimiento. Se ha diseñado un sistema
de clasificación de imágenes automatizado que extrae texturas de hoja y emplea
una técnica de clasificación difusa en tiempo real. Los operadores morfológicos se
aplican para extraer patrones de hojas circulares en diferentes escalas de las
imágenes de las hojas. Se ha identificado un conjunto óptimo de características para
la caracterización de cultivos y malezas en campos de caña de azúcar.
Un prototipo robótico que detecta malezas se diseña y desarrolla utilizando un
microcontrolador Raspberry Pi y subsistemas adecuados de salida de entrada,
como cámaras, pequeñas fuentes de luz y motores con sistemas de energía. El
control del prototipo incorpora el mecanismo de detección de malezas utilizando un
soporte del sistema operativo Raspbian y la programación de Python. El prototipo
robótico diseñado identifica correctamente el cultivo de caña de azúcar entre nueve
diferentes especies de malezas. El sistema detecta malezas con un 92.9% de
precisión en un tiempo de procesamiento de 0.02 s.
Este capítulo intenta proporcionar una comprensión de por qué las malas hierbas
se definen tal como son. Explica las características que las malas hierbas comparten
y explora la forma diferente en que las malas hierbas causan daño. Además,
examina cómo se realizan las estimaciones del costo de las malezas y la magnitud
de esos costos.
La expansión de la producción de caña de azúcar para satisfacer las demandas de
alimentos y bioenergía junto con la disponibilidad cada vez menor de trabajadores
agrícolas genera preocupaciones sobre el cambio del cultivo tradicional de la caña
de azúcar y la práctica de la cosecha a la mecanización. El estudio tiene como
objetivo evaluar el efecto sobre el impacto del cambio climático a través de las
emisiones de gases de efecto invernadero del ciclo de vida junto con los costos de
cosecha de 5 prácticas actuales de cosecha de caña de azúcar en la región central
de Tailandia. Además, es necesario seguir estudiando su contribución a otros
impactos, como las propiedades microbiológicas del suelo y la contaminación del
aire local por la quema de basura de la caña de azúcar.