PROF. PAOLO GAY Università di Torino

Transcript

1 Workshop Innovation PROF. PAOLO GAY Università di Torino

2 U"lizzo dei droni nella vi"coltura di precisione Paolo Gay Dipar"mento di Scienze Agrarie, Forestali e Alimentari Università degli Studi di Torino CNR - IEIIT, Torino

3 Introduzione: agricoltura di precisione a management system that is informa"on and technology based, is site specific and uses one or more of the following sources of data: soils, crops, nutrients, pests, moisture, or yield, for op"mum profitably, sustainability, and protec"on of the environment Acquisizione informazione Sviluppo sensori Tecniche di acquisizione Elaborazione informazione, supporto alla decisione (DSS) Sistemi per l attuazione

4 Introduzione: agricoltura di precisione Perché: ridurre l effetto della variabilità ridurre costi, incrementare efficienza ridurre l impatto ambientale qualità omogeneità quantità Come: strumento di supporto alle decisioni dell agronomo Sensori e sistemi di rilevamento Data Fusion Informazione Agronomo Pianificazione Macchine & attuatori

5 Introduzione: agricoltura di precisione Perché: qualità omogeneità ridurre l effetto della variabilità quantità ridurre costi, incrementare efficienza ridurre l impatto ambientale Come: strumento di supporto alle decisioni dell agronomo sistemi automatici Sensori e sistemi di rilevamento Data Fusion Sistema di pianificazione e controllo Macchine & attuatori

6 Agricoltura di precisione: nuove frontiere Acquisizione informazione sviluppo di nuovi sensori sensori multispettrali sensori iperspettrali IR LIDAR nuove tecniche di acquisizione sensori trasportati (a terra) wireless sensor networks (WSN) droni

7 Introduzione: UAV in agricoltura UAV (Unmanned Aerial Vehicles): tecnologia sufficientemente assestata nuove aziende per sviluppo di droni sviluppo di nuovi sensori volo e acquisizione dati acquisizione di dati (vs remote sensing da satellite) elevata risoluzione spaziale poca sensibilità alla presenza di nubi pianificazione e esecuzione dei voli

8 Agricoltura di precisione: utilizzo di droni Volo del drone Acquisizione, mosaicatura Elaborazione Ortorettifica, georeferenziazione ed inserimento in sistema GIS

9 Introduzione: UAV in viticoltura Nuovi obiettivi: come usare Comprendere a fondo i nuovi dati decision making planning Decision Agriculture sfogliatura diserbo irrigazione concimazione trattamenti raccolta

10 Introduzione: UAV in viticoltura Nuovi obiettivi: come usare Comprendere a fondo i nuovi dati decision making planning Decision Agriculture integrazione nelle azioni dell agricoltura di precisione Integrazione di UAV e sistemi di terra Necessità di sviluppare nuove conoscenze e nuovi strumenti

11 Acquisizione da UAV: risoluzione spaziale Le colture sono descritte da molti pixel Gran parte dei pixel non sono riferiti alle colture IR NDVI

12 UAV per la : strumenti Identificazione del vigneto identificazione dei vigneti analisi multi-temporale riconoscimento dei filari Analisi dei dati Confronto e validazione di dati da UAV e terra identificazione di zone omogenee collocamento di sensori compensazione delle immagini a zona comprendere relazioni tra dati misurati, stato delle colture e necessità esempio: vigore vs produzione

13 UAV per la : identificazione dei vigneti Obiettivo: Individuare tutti i punti che rappresentano il vigneto Problema: Le viti e ciò che di vegetale sta loro accanto presentano risposte simili ai sensori Tecniche tipiche di thresholding o image processing non danno risultati!

14 UAV per la : identificazione dei vigneti STEP 1 Segmentazione con finestra mobile STEP 2 Isolamento di cluster STEP 3 Identificazione dei filari mediante Total Least Squares approximation L.Comba, P. Gay, J. Primicerio, D. Ricauda Aimonino. Vineyard detection from unmanned aerial systems images. Computers and Electronics in Agriculture, 114, 78-87, 2015

15 Identificazione dei vigneti: Step1 filtraggio con finestra mobile Calcolo del momento di inerzia normalizzato Decisione

16 Identificazione dei vigneti: Step2 separazione Separazione di più file in un unico gruppo

17 Identificazione dei vigneti: Step2 separazione A at fixed ϑ, determina"on of 4 intercept values Hough Space A-A Projection A Cumula"ve projec"on of Hough Space to the ϑ axis Finding the most recurrent ϑ (slope) value

18 Identificazione dei vigneti: Step2 separazione

19 Identificazione dei vigneti: Step3 separazione Approssimazione con minimi quadrati totali e selezione basata su RMS

20 Identificazione dei vigneti: risultati

21 Classificazione (clustering) nel vigneto: applicazioni Individuare zone del vigneto che presentano caratteristiche rilevate simili determinare il numero minimo di sensori a terra che mi permettono di monitorare una parcella con l accuratezza richiesta individuare la collocazione ottimale dei sensori individuare disomogeneità (es. ombra da nube) per la compensazioni di precisione delle immagini)

22 0 Esempio: ricerca di regioni omogenee Nel caso di colture erbacee è piuttosto semplice, molto meno per le ortofrutticole e la viticoltura bility map of the olive grove. The coordinate system used shows the planting arrangem

23 Clustering nel vigneto: step 1 reti autorganizzanti Fase di addestramento: proto"pi (nodi) della rete neurale sono dispos" per meglio approssimare l immagine acquisita Step 1 Step 10

24 Clustering nel vigneto: step 1 reti neurali autorganizzanti Fase di addestramento: proto"pi (nodi) della rete neurale sono dispos" per meglio approssimare l immagine acquisita Step 1 Step 10 Step 100

25 Clustering nel vigneto: step 1 reti neurali autorganizzanti Distanza media (nello spazio dei pesi) tra ciascun proto"po e i suoi vicini (nello spazio dei proto"pi) Minimi locali corrispondono a pun" vicini

26 Clustering nel vigneto: step 2 classificazione star"ng from each local minima, a group of prototypes has been builted Local minimum

27 Clustering nel vigneto: assegnazione dei pixel Pixel projec"on in the weights space Detec"on of the nearest prototype IR Pixel assignments Prototyper cluster iden"fica"on in the prototypes space

28 Clustering nel vigneto: assegnazione dei pixel Results: i pixel dell immagine sono raggruppati in cluster che presentano temperature comparabili, tenendo in considerazione le distanze e la topologia IR

29 Fusione di dati da UAV e da terra: es. entità della produzione Migliore interpretazione dei dati ripresi da UAV Trovare relazioni tra quanto rilevato da UAV e le osservazioni da terra Migliorare la gestione delle operazioni in cantina Creazione di mappe GIS integrate (es. vigore & vendemmiato) Pianificazione degli interventi su vigneto per la stagione successiva

30 Mappatura della produzione: esempio in viticoltura quawro ruote, due azionate elewricamente piawaforma di pesatura con auto- livellamento axvo e sistema di georeferenziazione in grado di operare in aree declivi, in spazi ristrex riduce gli sforzi agli operatori, così come i rischi rilievo automa5co del raccolto

31 Mappatura della produzione: esempio in viticoltura quawro ruote, due azionate elewricamente piawaforma di pesatura con auto- livellamento axvo e sistema di georeferenziazione Piattaforma autolivellante con sistema di pesatura PESATURA SINGOLO BOX in grado di operare in aree declivi, in spazi ristrex riduce gli sforzi agli operatori, così come i rischi rilievo automa5co del raccolto µ Controller POSIZIONE GPS DATI ACQUISITI

32 Yield mapping: NDVI and yield data NDVI GEOREFERENCED YIELD DATA ROW DETECTION

33 Agricoltura di precisione: limiti e prospettive Applicazioni integrate COMPLESSE! IN AIUTO sensori e sistemi di acquisizione elaborazione dei dati, GIS, DSS, macchine agricole investimenti consistenti disponibilità di prodotti e macchine necessità di personale formato difficile da introdurre ritorno a medio/lungo termine progetti di ricerca sviluppo di prototipi percorsi di formazione programmi dimostrativi e di test

34 Thank you Contact: Paolo Gay Dipartimento di Scienze Agrarie Forestali e Alimentari Università degli Studi di Torino paolo.gay@unito.it Tel Research supported by