Nuevo dispositivo multispectral portátil de bajo costo para evaluación de maduración de frutas en el campo
Autores: Noguera, Miguel; Millan, Borja; Andújar, José Manuel
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Nuevo dispositivo multispectral portátil de bajo costo para evaluación de maduración de frutas en el campo
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Ciencias Agrícolas y Biológicas Generales
Palabras clave
Estado de madurez
Cosecha
Teledetección
Dispositivo multiespectral
Firma espectral
Red neuronal artificial
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 23
Citaciones: Sin citaciones
El estado de madurez en la cosecha es una pieza clave de información para los productores, ya que determina el precio de mercado del rendimiento. Esto ha sido tradicionalmente evaluado mediante métodos químicos destructivos, lo que conlleva una baja resolución espacio-temporal en la monitorización del desarrollo del cultivo y una baja capacidad de respuesta para los productores. Estas limitaciones han desplazado el enfoque hacia enfoques basados en teledetección y espectroscopia. Sin embargo, la mayoría de la investigación centrada en estos enfoques se ha realizado con equipos costosos, lo que resulta exorbitante para la mayoría de los usuarios. Para combatir este problema, este trabajo presenta un dispositivo multiespectral de bajo costo y portátil con hardware original diseñado especialmente para hacer frente a la complejidad relacionada con el uso en campo. El dispositivo propuesto se basa en una placa de desarrollo (AS7265x, AMS AG) que tiene tres chips de sensor con una respuesta espectral de dieciocho canales en un rango de 410 a 940 nm. El dispositivo propuesto fue evaluado en un experimento de campo de uva tinta. En resumen, se utilizó para adquirir la firma espectral de ochenta muestras de uva tinta en el viñedo. Posteriormente, las muestras de uva fueron analizadas utilizando métodos químicos estándar para generar valores de referencia del estado de madurez (contenido de sólidos solubles (SSC) y acidez titulable (TA)). Las dieciocho mediciones de reflectancia pre-procesadas se utilizaron como entrada para entrenar modelos de redes neuronales artificiales para estimar los dos parámetros objetivos (SSC y TA). Los modelos de estimación desarrollados fueron evaluados a través de un enfoque de validación cruzada de dejar uno fuera obteniendo resultados prometedores (R = 0.70, RMSE = 1.21 para SSC; y R = 0.67, RMSE = 0.91 para TA).
Descripción
El estado de madurez en la cosecha es una pieza clave de información para los productores, ya que determina el precio de mercado del rendimiento. Esto ha sido tradicionalmente evaluado mediante métodos químicos destructivos, lo que conlleva una baja resolución espacio-temporal en la monitorización del desarrollo del cultivo y una baja capacidad de respuesta para los productores. Estas limitaciones han desplazado el enfoque hacia enfoques basados en teledetección y espectroscopia. Sin embargo, la mayoría de la investigación centrada en estos enfoques se ha realizado con equipos costosos, lo que resulta exorbitante para la mayoría de los usuarios. Para combatir este problema, este trabajo presenta un dispositivo multiespectral de bajo costo y portátil con hardware original diseñado especialmente para hacer frente a la complejidad relacionada con el uso en campo. El dispositivo propuesto se basa en una placa de desarrollo (AS7265x, AMS AG) que tiene tres chips de sensor con una respuesta espectral de dieciocho canales en un rango de 410 a 940 nm. El dispositivo propuesto fue evaluado en un experimento de campo de uva tinta. En resumen, se utilizó para adquirir la firma espectral de ochenta muestras de uva tinta en el viñedo. Posteriormente, las muestras de uva fueron analizadas utilizando métodos químicos estándar para generar valores de referencia del estado de madurez (contenido de sólidos solubles (SSC) y acidez titulable (TA)). Las dieciocho mediciones de reflectancia pre-procesadas se utilizaron como entrada para entrenar modelos de redes neuronales artificiales para estimar los dos parámetros objetivos (SSC y TA). Los modelos de estimación desarrollados fueron evaluados a través de un enfoque de validación cruzada de dejar uno fuera obteniendo resultados prometedores (R = 0.70, RMSE = 1.21 para SSC; y R = 0.67, RMSE = 0.91 para TA).