Etapa I: Estudio del estado del arte
En esta etapa buscamos y estudiamos información sobre recolección automática de frutos. Encontramos dos documentos en los cuales nos basamos:
Documento que contiene un resumen de estudios y resultados previos de ubicación automática de frutos en arboles usando métodos de visión por computadora.
Documento con información sobre una técnica utilizada para recolección automática de manzanos.
Estudiamos también técnicas sobre reconocimiento de imágenes y la biblioteca de tratamiento de imágenes OpenCV.
Como resultado de esta etapa realizamos el documento Estado del arte.
Etapa II: Reconocimiento de pixeles manzana
Luego de estudiado los temas sobre segmentación se comenzó el desarrollo.
Primero realizamos una implementación que constaba en segmentar en el espacio HSV los pixeles manzana.
Como primer aproximación se usó el Hue para obtener los rojos, así como se utilizó el S y el V para descartar negros y blancos.
Luego de realizar la segmentación se realizaron operaciones morfológicas para poder descartar zonas muy pequeñas o cerrar agujeros.
Observando los resultados del desarrollo implementado vimos que las manzanas presentan tonalidades marrones por lo que
agrandamos el rango de Hue para que no sean descartadas. Nos encontramos entonces con el problema de clasificar troncos como manzanas.
Para solucionar este problema estudiamos los otros canales notando que la saturación es diferente para los tronos que para las manzanas.
Si bien se obtuvieron buenos resultados se siguió estudiando cómo mejorar. Se varió el H y S y utilizando ROC se estimaron los mejores
valores para los mismos.
Se realizó un estudio de las diferentes texturas, y se vio que el pasto, el cielo, las hojas y las manzanas
presentan diferentes texturas, por lo general el cielo y las manzanas presentaron texturas similares. Si bien se estudiaron varias texturas
(densidad de bordes, varianza, lbp) vimos que la que más aporta es la densidad de bordes debido a que las manzanas y el cielo tienen menor cantidad
de bordes que el pasto y las hojas chicas. Con esto se logró eliminar falsos positivos como en casos donde el pasto presenta tonalidades rojizas.
Luego probamos utilizar K - Nearest Network para estudiar que pixeles son manzanas y cuales no utilizando las siguientes 3 clases: Hue,
Saturation y densidad de bordes. A simple vista parece que es más precisa la segmentación aunque más lenta. Se realizaron estudios para
evaluar si esto es así.
Se realizó un estudio de cuentas imágenes se necesitan utilizar para entrenar el algoritmo.
Se utilizó SVM como otra técnica de segmentación
Por último se realizó un cierre a la etapa de segmentación, dejando todo documentado y un estudio de resultados con las diferentes técnicas.
Etapa III: Conteo de manzanas
Se comenzó a estudiar técnicas para ver como segmentar las manzanas en si, es decir poder contarlas. Se esta probando con detección de círculos
y buscando otras posibles técnicas.
Se optó por utilizar hough de círculos para el conteo de manzanas con post procesamiento de círculos para quitar falsos círculos.
Etapa IV: Estudio de resultados y armado de documentación final
Se estudiaron los resultados obtenidos, viendo el significado de los mismos.
Se terminó la documentación final