Sistema de visión artificial para el control de un robot manipulador agrícola
DOI:
https://doi.org/10.64117/simposioscea.v1i1.62Palabras clave:
Robótica, Agricultura de precisión, automatización, YOLOv8, invernaderos inteligentesResumen
Este trabajo presenta el diseño e implementación de un sistema de visión artificial para la recolección autónoma de tomates en invernaderos, integrando algoritmos de aprendizaje automático y un robot manipulador móvil. Se emplea la cámara Intel RealSense D435 para obtener información tridimensional del entorno, combinada con redes neuronales convolucionales, específicamente el modelo YOLOv8, para detectar y clasificar tomates según su madurez. Se evaluaron las versiones YOLOv8n y YOLOv8s, donde YOLOv8n fue seleccionada por su mejor desempeño en tiempo real, con métricas de precisión aceptables y una inferencia significativamente más rápida. El sistema logró detectar con alta efectividad los frutos, aunque presentó dificultades en la clasificación de tomates semi-maduros y ciertos falsos positivos con fondos similares. La integración con el robot manipulador, controlado mediante MoveIt y ROS, permitió una recolección precisa y autónoma. Se concluye que la propuesta es técnicamente viable, aunque se identifican oportunidades de mejora en la robustez del sistema y la representatividad del conjunto de datos.
Citas
Alvarez, G. A., Olguín-Rojas, J. C., Vasquez-Gomez, J. I., Uriarte-Arcia, A. V., Torres, M., 2023. Detection of tomato ripening stages using YOLOv3- Tiny. arXiv.org.
Benavides, M., Cantón-Garbín, M., Sánchez-Molina, J. A., Rodríguez, F., 2020. Automatic tomato and peduncle location system based on computer vision for use in robotized harvesting. Applied Sciences 10, 5887. DOI:10.3390/app10175887
Brosque, C., Fischer, M., 2022. Safety, quality, schedule, and cost impacts of ten construction robots. Construction Robotics 6, 163–186. DOI:10.1007/s41693-022-00065-6
Feng, Q., Wang, X., Wang, G., Li, Z., 2015. Design and test of tomatoes harvesting robot. In: 2015 IEEE International Conference on Information and Automation, pp. 949–952. IEEE. DOI: 10.1109/ICInfA.2015.7279428
Ji, W., Huang, X., Wang, S., He, X., 2023. A comprehensive review of the research of the “Eye–Brain–Hand” harvesting system in smart agriculture. Agronomy 13, 2237. DOI: 10.3390/agronomy13092237
León, R. A., Bravo, M. B., Castañeda, X., Juárez, S. E., Silva Gamboa, H. E., 2024. Desarrollo de visión artificial para la detección de la plaga
Prodiplosis longifila o caracha en el cultivo del tomate. Memorias de la Vigésima Tercera Conferencia Iberoamericana en Sistemas, Cibernética e Informática: CISCI 2024, 424–431. DOI: 10.54808/CISCI2024.01.424
Li, R., Ji, Z., Hu, S., Huang, X., Yang, J., Li, W., 2023. Tomato maturity recognition model based on improved YOLOv5 in greenhouse. Agronomy.
Lubinus-Badillo, F., Rueda-Hernández, C. A., Narváez, B. M., Arias Trillos, Y. E., 2021. Convolutional neural networks, a model for deep learning in diagnostic imaging. A topic review. Revista Colombiana de Radiología 32, 5591–5599. DOI: 10.53903/01212095.161
Nugroho, D. P., Widiyanto, S., Wardani, D. T., 2022. Comparison of deep learning-based object classification methods for detecting tomato ripeness. International Journal of Fuzzy Logic and Intelligent Systems.
Ma, B., Hua, Z., Wen, Y., Deng, H., Zhao, Y., Pu, L., Song, H., 2024. Using an improved lightweight YOLOv8 model for real-time detection of multi-stage apple fruit in complex orchard environments. Artificial Intelligence in Agriculture 11, 70–82. DOI: 10.1016/j.aiia.2024.02.001
Mavridou, E., Vrochidou, E., Papakostas, G. A., Pachidis, T., Kaburlasos, V. G., 2019. Machine vision systems in precision agriculture for crop farming. Journal of Imaging 5, 89. DOI: 10.3390/jimaging5120089
Meshram, A. T., Vanalkar, A. V., Kalambe, K. B., Badar, A. M., 2022. Pesticide spraying robot for precision agriculture: A categorical literature review and future trends. Journal of Field Robotics 39, 153–171. DOI:10.1002/rob.22000
Padhiary, M., Saha, D., Kumar, R., Sethi, L. N., Kumar, A., 2024. Enhancing precision agriculture: A comprehensive review of machine learning and AI vision applications in all-terrain vehicle for farm automation. Smart
Agricultural Technology 100483. DOI: 10.1016/j.atech.2024.100483
Redmon, J., Divvala, S., Girshick, R., Farhadi, A., 2016. You Only Look Once: Unified, real-time object detection. Proceedings of the IEEE
Conference on Computer Vision and Pattern Recognition (CVPR) 2016, 779–788. DOI: 10.1109/CVPR.2016.91
Ruparelia, S., Jethva, M., Gajjar, R., 2021. Real-time tomato detection, classification, and counting system using deep learning and embedded systems. Advances in Intelligent Systems and Computing.
Sánchez-Molina, J. A., Rodríguez, F., Moreno, J. C., Sánchez-Hermosilla, J., Giménez, A., 2024. Robotics in greenhouses. Scoping review. Computers and Electronics in Agriculture 219, 108750. DOI:10.1016/j.compag.2024.108750
Suresh Kumar, M., Mohan, S., 2023. Selective fruit harvesting: Research, trends and developments towards fruit detection and localization–A review. Proceedings of the Institution of Mechanical Engineers, Part C: Journal of Mechanical Engineering Science 237, 1405–1444. DOI:
10.1177/09544062221146013
Tang, Y., Chen, M., Wang, C., Luo, L., Li, J., Lian, G., Zou, X., 2020. Recognition and localization methods for vision-based fruit picking robots:
A review. Frontiers in Plant Science 11, 510. DOI: 10.3389/fpls.2020.00510
Zeng, T., Li, S., Song, Q., Zhong, F., Wei, X., 2023. Lightweight tomato real-time detection method based on improved YOLO and mobile deployment.Computers and Electronics in Agriculture.
