Algoritmos para agricultura de precisión utilizando computación de alto rendimiento

Título:

Algoritmos para agricultura de precisión utilizando computación de alto rendimiento

Autor:

Pusdá Chulde, Marco Remigio

Otros autores / Colaboradores:

 De Giusti, Armando Eduardo; [ Director/a]  García, Iván; [ Codirector/a] 

Temas:

ALGORITMOS PARALELOS; COMPUTACIÓN DE ALTO RENDIMIENTO - HPC; 

URL:

https://doi.org/10.35537/10915/149069,

Palabras clave:

drones, agricultura de precisión, 

Nota de tesis:

Tesis (Doctorado en Ciencias Informáticas) - Universidad Nacional de La Plata. Facultad de Informática, 2022.

Extensión:

1 archivo (5,4 MB) : il. col.

Resumen:

La agricultura de precisión (AP) automatiza actividades mediante la recopilación y análisis de datos agrícolas para la toma de decisiones con fines de mejorar la producción agrícola. En AP el procesamiento de imágenes digitales agrícolas implica realizar operaciones para obtener sus transformaciones en la sistematización de tareas agrícolas. El procesamiento de imágenes digitales requiere de varios recursos de cómputo, principalmente de tiempo y memoria; por ello, mediante la aplicación de paralelismo en procesadores heterogéneos con memoria compartida se pretende reducir el tiempo de ejecución con nuevos algoritmos. La obtención de imágenes sobre grandes extensiones de cultivos agrícolas es difícil para los agricultores de manera tradicional, aprovechando nuevos recursos tecnológicos como los vehículos aéreos no tripulados UAV- Unmanned Aerial Vehicle) más conocidos como drones es posible capturar fotografías digitales de alta calidad a diferentes alturas de sobrevuelo. Teniendo en cuenta las pérdidas económicas en la agricultura cada vez mayores debido a las malezas en los cultivos de maíz, se propone un algoritmo aplicando paralelismo mediante la metodología de Foster´s capaz de identificar líneas de cultivo y discriminar malezas. El algoritmo se ejecuta de manera paralela en una serie de pasos intermedios, que incluyen 4 particiones (segmentación, detección de líneas de cultivo, exclusión de cultivo, discriminación de malezas), en cada partición se aplica paralelismo de datos utilizando un procesador de 8 núcleos. Se utilizó Matlab como lenguaje de programación y herramientas orientadas al paralelismo local para análisis de imágenes adquiridas mediante un dron DJI Mavic 2 Pro con una resolución de 5472× 3648 a alturas de 5, 10 y 15 metros. Los resultados obtenidos demuestran que se puede identificar como mínimo líneas de cultivo (85%) y máximo de malezas (93.28%) del total de vegetación en la cuarta semana de seguimiento al cultivo a 15 metros de altura. Igualmente, con el algoritmo propuesto los tiempos de procesamiento evaluados en promedio alcanzan un rango entre 4.54 y 5.67 segundos con imágenes que alcanzan una extensión máxima de 160 metros cuadrados.

Puede solicitar más fácilmente el ejemplar con: TES 22/38

Capítulo 1. Introducción 
1.1 Antecedentes
1.2 Objetivos 
1.3 General 
1.4 Específicos 
1.5 Motivación 
1.6 Aporte
1.7 Publicaciones Propias 
1.7.1 Revisión Literatura
1.7.2 Algoritmos Paralelos 
1.7.3 Imágenes adquiridas con dron

Capítulo 2. Marco Teórico 
2.1 Agricultura de precisión 
2.1.1 Visión por computadora 
2.1.2 Procesamiento de imágenes
2.1.3 Técnicas de procesamiento de imágenes 
2.1.4 Técnicas para la detección de líneas de cultivo
2.1.5 Técnicas de identificación de vegetación 
2.1.6 Herramientas y equipos 
2.1.7 Vehículos aéreos no tripulados (Drones) 
2.2 Arquitecturas paralelas 
2.2.1 Taxonomía de Flynn 
2.2.2 Multiprocesadores 
2.2.3 Procesadores vectoriales lineales 
2.2.4 Arreglo de procesadores 
2.3 Modelos de paralelismo 
2.3.1 Paso de mensajes 
2.3.2 Memoria compartida
2.3.3 Paralelismo de Hilos
2.3.4 Paralelismo de datos
2.3.5 Paralelismo de tareas
2.4 Medidas de rendimiento paralelo 
2.4.1 Limitaciones del paralelismo
2.4.2 Tiempos de ejecución
2.4.3 Aceleración (SpeedUP) 
2.4.4 Eficiencia 
2.4.5 Costo computacional
2.4.6 Escalabilidad
2.5 Arquitecturas heterogéneas
2.5.1 Multicore 
2.5.2 GPU 
2.5.3 Xeon Phi 
2.5.4 Raspberry
2.5.5 Jetson Nano 
2.6 Lenguajes de programación paralela 
2.6.1 MPI 
2.6.2 OpenMP 
2.6.3 CUDA 
2.6.4 Python 
2.6.5 Matlab
2.7 Diseño de Algoritmos paralelos
2.7.1 Teoría de la complejidad computacional
2.7.2 Principios de programación paralela
2.7.3 Concurrencia en los algoritmos
2.7.4 Metodología de Foster’s

Capítulo 3. Caso de estudio 
3.1 Herramientas y Equipamiento 
3.1.1 Dron DJI Mavic 2 Pro
3.1.2 Adquisición de imágenes
3.1.3 Detalles de las muestras de cultivo 
3.1.4 Equipo de procesamiento
3.2 Diseño del algoritmo 
3.2.1 Alturas y longitudes en píxeles
3.2.2 Algoritmo paralelo con imágenes obtenidas con cámara
3.2.3 Algoritmo secuencial con imágenes obtenidas con dron
3.2.4 Algoritmo paralelo con imágenes obtenidas con dron

Capítulo 4. Resultados
4.1 Procesamiento de imágenes 
4.1.1 Primera semana
4.1.2 Segunda semana
4.1.3 Tercera semana
4.1.4 Cuarta semana 
4.2 Medidas de rendimiento
4.2.1 Tiempos de ejecución
4.2.2 Aceleración (Speedup) 
4.2.3 Eficiencia 
4.2.4 Costo computacional
4.3 Pruebas estadísticas 
4.4 Análisis de Resultados 

Conclusiones 

Trabajos futuros 

Referencias