Segmentación de imágenes agrícolas adquiridas con drone mediante algoritmos paralelos
Barra lateral del artículo
Contenido principal del artículo
Resumen
Las imágenes obtenidas con drones desde perspectiva vertical presentan información importante de los cultivos agrícolas, lo que permite sistematizar diversas actividades relacionadas con la agricultura de precisión (AP). Los algoritmos secuenciales desarrollados en lenguajes de programación tradicionales consumen tiempos y recursos de hardware altos en el procesamiento de imágenes digitales de grandes tamaños. Para reducir los tiempos de cómputo se desarrolló un algoritmo paralelo para segmentar imágenes utilizando la librería OpenMP. OpenMP es una librería compatible con lenguajes de programación de bajo nivel que permiten la implementación de algoritmos paralelos en lenguajes C o C++ en entornos Linux para arquitecturas multicore. El algoritmo secuencial para implementarlo mediante paralelismo fue necesario dividir en varias tareas más pequeñas y ejecutarlas en varios núcleos disponibles en procesadores multicore para mejorar la velocidad de procesamiento. Las métricas utilizadas (tiempo de ejecución, aceleración, eficiencia y costo computacional) permitieron evaluar el rendimiento de los algoritmos con imágenes de diferentes dimensiones obteniendo resultados favorables que verifica la mejora del algoritmo paralelo. La paralelización de algoritmos secuenciales muestra un importante reducción de los tiempos de ejecución (66.37%) con imágenes grandes y (74.73% ) con imágenes pequeñas utilizando el número máximo de núcleos (8)
Descargas
Detalles del artículo
Citas
J. M. Pajares-Martinsanz, Gonzalo; De La Cruz-García, Visión por Computador Imágenes Digitales y Aplicaciones, Paracuello. Madrid, 2008.
A. Martínez-Rodríguez., “Sistema de procesamiento de imágenes RGB aéreas para agricultura de precisión,” Univ. Cent. "Marta Abreu" Las Villas Trab. DIPLOMA, p. 54, 2016.
J. Fang, C. Huang, T. Tang, and Z. Wang, “Parallel programming models for heterogeneous many-cores: a comprehensive survey,” CCF Trans. High Perform. Comput., vol. 2, no. 4, pp. 382–400, 2020, https://doi.org/10.1007/s42514-020-00039-4.
G. Barlas, “Chapter 1 - Introduction,” in Multicore and GPU Programming, G. Barlas, Ed. Boston: Morgan Kaufmann, 2015, pp. 1–26.
M. Pusdá-Chulde, A. De Giusti, E. Herrera-Granda, and I. García-Santillán, “Parallel CPU-Based Processing for Automatic Crop Row Detection in Corn Fields,” in Artificial Intelligence, Computer and Software Engineering Advances, 2021, pp. 239–251.
A. A. Briceño Coronado, Algoritmos paralelos de visión computacional Para reconstrucción tridimensional. México: Editorial Académica Española, 2012.
L. E. Sucar and Gómez Giovani, Visión Computacional, 1st ed. Instituto Nacional de Astrofíısica, Óptica y Electrónica, 2015.
Z. J. Czech, Introduction to Parallel Computing. Cambridge University Press, 2017.
A. Grama, A. Gupta, G. Karypis, V. Kumar, and A. Wesley, Introduction to Parallel Computing, Second Edition. Pearson Education Limited, 2003.
S. Zhang, W. Li, Z. Jing, Y. Yi, and Y. Zhao, “Comparison of Three Different Parallel Computation Methods for a Two-Dimensional Dam-Break Model,” Math. Probl. Eng., vol. 2017, p. 1970628, 2017, https://doi.org/10.1155/2017/1970628.
G. Slabaugh, R. Boyes, and X. Yang, “Multicore image processing with openMP,” IEEE Signal Process. Mag., vol. 27, no. 2, pp. 134–138, 2010, https://doi.org/10.1109/MSP.2009.935452.
E. García and F. Flego, “Agricultura de Precisión,” 2015. Accessed: Dec. 18, 2018. [Online]. Available: https://www.palermo.edu/ingenieria/downloads/pdfwebc&T8/8CyT12.pdf.
Agricultura de Precisión, “¿Qué es la Agricultura de Precisión y cómo iniciarse en ella? - Agricultura de Precision para el Desarrollo,” 2022. http://agriculturadeprecisionparaeldesarrollo.com/que-es-la-agricultura-de-precision-y-como-iniciarse-en-ella/ (accessed Sep. 19, 2022).
F. Leiva, “La agricultura de precisión: una producción más sostenible y competitiva con visión futurista,” Jan. 2003.
J. Echevarría, “Tarjetas gráficas para acelerar el cómputo complejo,” C&T - Univ. Palermo, 2008, Accessed: Mar. 06, 2018. [Online]. Available: http://www.palermo. edu/ingenieria/downloads/pdfwebc&T8/8CyT08.pdf.
M. Pusdá-Chulde, F. Salazar-Fierro, L. Sandoval-Pillajo, E. Herrera-Granda, I. García-Santillán, and A. De Giusti, Image Analysis Based on Heterogeneous Architectures for Precision Agriculture: A Systematic Literature Review, vol. 1078. 2020.
Z. Tsai, “Processing AI at the Edge: GPU, VPU, FPGA, ASIC Explained - ADLINK Blog,” ADLINK, 2021. https://blog.adlinktech.com/2021/02/19/embedded-hardware-processing-ai-edge-gpu-vpu-fpga-asic/ (accessed Sep. 21, 2022).
A. P. Marques Ramos et al., “A random forest ranking approach to predict yield in maize with uav-based vegetation spectral indices,” Comput. Electron. Agric., vol. 178, no. September, p. 105791, 2020, https://doi.org/10.1016/j.compag.2020.105791.
V. Partel, S. Charan Kakarla, and Y. Ampatzidis, “Development and evaluation of a low-cost and smart technology for precision weed management utilizing artificial intelligence,” Comput. Electron. Agric., vol. 157, no. November 2018, pp. 339–350, 2019, https://doi.org/10.1016/j.compag.2018.12.048.
I. García-Santillán and G. Pajares, “Detección automática de líneas de cultivo: estado del arte y futuras perspectivas,” Av. y Apl. Sist. Intel. y nuevas Tecnol., no. 54, pp. 381–398, 2016.
B. Li et al., “Above-ground biomass estimation and yield prediction in potato by using UAV-based RGB and hyperspectral imaging,” ISPRS J. Photogramm. Remote Sens., vol. 162, no. December 2019, pp. 161–172, 2020, https://doi.org/10.1016/j.isprsjprs.2020.02.013.
D. Beltrán, “Automatización en la Agricultura: un caso de aplicación artificial , control de calidad en semilleros,” 2014, no. September, pp. 1–7, https://doi.org/10.13140/2.1.1299.3922.
D. C. Garcia, G. Á. Martínez, and M. E. Garcia, “Raspberry Pi y Arduino: semilleros en innovación tecnológica para la agricultura de precisión,” Informática y Sist. Rev. Tecnol. la Informática y las Comun., vol. 2, no. 1, pp. 74–82, Jan. 2018, https://doi.org/10.33936/ISRTIC.V2I1.1134.
P. Radoglou-Grammatikis, P. Sarigiannidis, T. Lagkas, and I. Moscholios, “A compilation of UAV applications for precision agriculture,” Comput. Networks, vol. 172, no. February, p. 107148, 2020, https://doi.org/10.1016/j.comnet.2020.107148.
A. Mukherjee, S. Misra, and N. S. Raghuwanshi, “A survey of unmanned aerial sensing solutions in precision agriculture,” J. Netw. Comput. Appl., vol. 148, p. 102461, 2019, https://doi.org/10.1016/j.jnca.2019.102461.
HEMAV, “Teledetección con drones Vs Teledetección satelital,” 2022. https://hemav.com/agricultura-de-precision-teledeteccion-satelital-vs-teledeteccion-con-drones/ (accessed Sep. 19, 2022).
Z. Luo, W. Yang, Y. Yuan, R. Gou, and X. Li, “Semantic segmentation of agricultural images: A survey,” Inf. Process. Agric., Feb. 2023, https://doi.org/10.1016/J.INPA.2023.02.001.
M. Jaroš et al., “Implementation of K-means segmentation algorithm on Intel XePhi and GPU: Application in medical imaging,” Adv. Eng. Softw., vol. 103, pp. 21–28, 2017, https://doi.org/10.1016/j.advengsoft.2016.05.008.
E. Raei, A. Akbari Asanjan, M. R. Nikoo, M. Sadegh, S. Pourshahabi, and J. F. Adamowski, “A deep learning image segmentation model for agricultural irrigation system classification,” Comput. Electron. Agric., vol. 198, p. 106977, Jul. 2022, https://doi.org/10.1016/J.COMPAG.2022.106977.
Eclipse, “Eclipse IDE for Scientific Computing,” 2022. https://www.eclipse.org/downloads/packages/release/2022-12/r/eclipse-ide-scientific-computing (accessed Oct. 02, 2022).
A. A. Briceño-Coronado, “Algoritmos paralelos de visión computacional para reconstrucción tridimensional,” 26.09.2012, 2012.