Workshop Innovation PROF. PAOLO GAY Università di Torino
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
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
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
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
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
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
Agricoltura di precisione: utilizzo di droni Volo del drone Acquisizione, mosaicatura Elaborazione Ortorettifica, georeferenziazione ed inserimento in sistema GIS
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
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
Acquisizione da UAV: risoluzione spaziale Le colture sono descritte da molti pixel Gran parte dei pixel non sono riferiti alle colture IR NDVI
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
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!
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
Identificazione dei vigneti: Step1 filtraggio con finestra mobile Calcolo del momento di inerzia normalizzato Decisione
Identificazione dei vigneti: Step2 separazione Separazione di più file in un unico gruppo
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
Identificazione dei vigneti: Step2 separazione
Identificazione dei vigneti: Step3 separazione Approssimazione con minimi quadrati totali e selezione basata su RMS
Identificazione dei vigneti: risultati
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)
0 Esempio: ricerca di regioni omogenee 50 45 40 35 30 25 20 0.698 0.69 Nel caso di colture erbacee è piuttosto semplice, molto meno per le ortofrutticole e la viticoltura 15 0.682 10 0.674 5 0 0 5 10 15 20 25 30 35 40 bility map of the olive grove. The coordinate system used shows the planting arrangem 50 50 45 45 40 40 35 35 30 30 25 25 20 20 15 10 15 10 5 5
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
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
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
Clustering nel vigneto: step 2 classificazione star"ng from each local minima, a group of prototypes has been builted Local minimum
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
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
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
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
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
Yield mapping: NDVI and yield data NDVI GEOREFERENCED YIELD DATA ROW DETECTION
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
Thank you Contact: Paolo Gay Dipartimento di Scienze Agrarie Forestali e Alimentari Università degli Studi di Torino Email: paolo.gay@unito.it Tel. +39 011 6708620 Research supported by