Estimación de rendimientos en montes frutales de peras y manzanas incorporando el uso de análisis de imágenes

Autores
Del Brio, Dolores; Tassile, Valentín; Fernandez, Dario Eduardo; Bramardi, Sergio Jorge; Giménez, Gustavo Nestor Jorge; Reeb, Pablo Daniel
Año de publicación
2024
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
Publicado en: Memorias de las JAIIO : CAI - Congreso Argentino de AgroInformática, v.10, no. 3 (2024) : 104-117 (2024)
El pronóstico de cosecha a nivel de parcela es una herramienta de gran utilidad en la producción de frutales de pepita. Para realizar pronósticos es necesario conocer el número de frutos presentes en los árboles, el tamaño que alcanzarán a cosecha y el número de árboles de la parcela frutal. Para conocer el número de frutos generalmente se utilizan metodologías de conteo manual, que son costosas y poco precisas. El objetivo de este trabajo fue implementar un modelo predictivo del rendimiento a cosecha para frutales de pepita del Alto Valle de Río Ne-gro y Neuquén. Se trabajó en tres montes frutales de pera cv. ´William´s´ y tres de manzanas cv. ´Red chief´. Se realizaron estimaciones mediante dos modelos de pronóstico diferentes: uno basado en conteo manual de frutos para obtener la carga, y otro basado en la detección y conteo automático de frutos a partir de imágenes para estimar la carga. Se compararon los costos entre ambas metodologías y la calidad de predicción respecto a los datos reales de cosecha. Además, se realice una estimación de tamaños comerciales a cosecha. Los rendimientos estimados mediante los pronósticos realizados a partir de conteos manuales de frutos presentaron errores relativos menores al 10% respecto a los rendimientos reales. Por otra parte, en 5 de los 6 montes frutales evaluados, los rendimientos estimados con pronósticos realizados a partir de imágenes presentaron errores relativos que no superaron el 10% respecto a los rendimientos reales y en un monte frutal el error fue del 24,5%. Si bien el pronóstico realizado mediante conteos manuales resultó un poco más preciso, su costo fue 3 veces más alto que el de imágenes. Las estimaciones de distribución de tamaños a cosecha no representaron en forma adecuada las distribuciones obtenidas realmente.
EEA Alto Valle
Fil: Del Brío, Dolores. Instituto Nacional de Tecnología Agropecuaria (INTA). Estación Experimental Agropecuaria Alto Valle; Argentina
Fil: Tassile, Valentín. Universidad Nacional del Comahue. Facultad de Ciencias y Tecnología de los Alimentos; Argentina
Fil: Fernández, Darío Eduardo. Instituto Nacional de Tecnología Agropecuaria (INTA). Estación Experimental Agropecuaria Alto Valle; Argentina
Fil: Bramardi, Sergio Jorge. Universidad Nacional del Comahue. Departamento de Estadística; Argentina
Fil: Bramardi, Sergio Jorge. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro de Investigaciones en Toxicología Ambiental y Agrobiotecnología del Comahue (CITAAC); Argentina
Fil: Giménez, Gustavo Néstor Jorge. Universidad Nacional del Comahue. Departamento de Estadística; Argentina
Fil: Giménez, Gustavo Néstor Jorge. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro de Investigaciones en Toxicología Ambiental y Agrobiotecnología del Comahue (CITAAC); Argentina
Fil: Reeb, Pablo Daniel. Universidad Nacional del Comahue. Departamento de Estadística; Argentina
Fil: Reeb, Pablo Daniel. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro de Investigaciones en Toxicología Ambiental y Agrobiotecnología del Comahue (CITAAC); Argentina
Fuente
16º Congreso Argentino de AgroInformática (CAI-2024) y 53as. Jornadas Argentinas de Informática (JAIIO 53). Bahía Blanca, 12 al 16 de agosto de 2024
Materia
Frutales
Pera
Manzana
Fruit Crops
Pears
Apples
Yields
Image Analysis
Rendimiento
Análisis de Imágenes
Pronóstico de Producción
Visión Artificial
Modelos Mixtos No Lineales
Production Forecast
Artificial Vision
Nonlinear Mixed Models
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
INTA Digital (INTA)
Institución
Instituto Nacional de Tecnología Agropecuaria
OAI Identificador
oai:localhost:20.500.12123/22269
Acceder
id INTADig_2667a910718c225d716039a406affcbb
oai_identifier_str oai:localhost:20.500.12123/22269
network_acronym_str INTADig
repository_id_str l
network_name_str INTA Digital (INTA)
spelling Estimación de rendimientos en montes frutales de peras y manzanas incorporando el uso de análisis de imágenesDel Brio, DoloresTassile, ValentínFernandez, Dario EduardoBramardi, Sergio JorgeGiménez, Gustavo Nestor JorgeReeb, Pablo DanielFrutalesPeraManzanaFruit CropsPearsApplesYieldsImage AnalysisRendimientoAnálisis de ImágenesPronóstico de ProducciónVisión ArtificialModelos Mixtos No LinealesProduction ForecastArtificial VisionNonlinear Mixed ModelsPublicado en: Memorias de las JAIIO : CAI - Congreso Argentino de AgroInformática, v.10, no. 3 (2024) : 104-117 (2024)El pronóstico de cosecha a nivel de parcela es una herramienta de gran utilidad en la producción de frutales de pepita. Para realizar pronósticos es necesario conocer el número de frutos presentes en los árboles, el tamaño que alcanzarán a cosecha y el número de árboles de la parcela frutal. Para conocer el número de frutos generalmente se utilizan metodologías de conteo manual, que son costosas y poco precisas. El objetivo de este trabajo fue implementar un modelo predictivo del rendimiento a cosecha para frutales de pepita del Alto Valle de Río Ne-gro y Neuquén. Se trabajó en tres montes frutales de pera cv. ´William´s´ y tres de manzanas cv. ´Red chief´. Se realizaron estimaciones mediante dos modelos de pronóstico diferentes: uno basado en conteo manual de frutos para obtener la carga, y otro basado en la detección y conteo automático de frutos a partir de imágenes para estimar la carga. Se compararon los costos entre ambas metodologías y la calidad de predicción respecto a los datos reales de cosecha. Además, se realice una estimación de tamaños comerciales a cosecha. Los rendimientos estimados mediante los pronósticos realizados a partir de conteos manuales de frutos presentaron errores relativos menores al 10% respecto a los rendimientos reales. Por otra parte, en 5 de los 6 montes frutales evaluados, los rendimientos estimados con pronósticos realizados a partir de imágenes presentaron errores relativos que no superaron el 10% respecto a los rendimientos reales y en un monte frutal el error fue del 24,5%. Si bien el pronóstico realizado mediante conteos manuales resultó un poco más preciso, su costo fue 3 veces más alto que el de imágenes. Las estimaciones de distribución de tamaños a cosecha no representaron en forma adecuada las distribuciones obtenidas realmente.EEA Alto ValleFil: Del Brío, Dolores. Instituto Nacional de Tecnología Agropecuaria (INTA). Estación Experimental Agropecuaria Alto Valle; ArgentinaFil: Tassile, Valentín. Universidad Nacional del Comahue. Facultad de Ciencias y Tecnología de los Alimentos; ArgentinaFil: Fernández, Darío Eduardo. Instituto Nacional de Tecnología Agropecuaria (INTA). Estación Experimental Agropecuaria Alto Valle; ArgentinaFil: Bramardi, Sergio Jorge. Universidad Nacional del Comahue. Departamento de Estadística; ArgentinaFil: Bramardi, Sergio Jorge. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro de Investigaciones en Toxicología Ambiental y Agrobiotecnología del Comahue (CITAAC); ArgentinaFil: Giménez, Gustavo Néstor Jorge. Universidad Nacional del Comahue. Departamento de Estadística; ArgentinaFil: Giménez, Gustavo Néstor Jorge. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro de Investigaciones en Toxicología Ambiental y Agrobiotecnología del Comahue (CITAAC); ArgentinaFil: Reeb, Pablo Daniel. Universidad Nacional del Comahue. Departamento de Estadística; ArgentinaFil: Reeb, Pablo Daniel. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro de Investigaciones en Toxicología Ambiental y Agrobiotecnología del Comahue (CITAAC); ArgentinaSADIO2025-05-14T11:00:56Z2025-05-14T11:00:56Z2024-09-09info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdfhttp://hdl.handle.net/20.500.12123/222692451-749616º Congreso Argentino de AgroInformática (CAI-2024) y 53as. Jornadas Argentinas de Informática (JAIIO 53). Bahía Blanca, 12 al 16 de agosto de 2024reponame:INTA Digital (INTA)instname:Instituto Nacional de Tecnología Agropecuariaspainfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)2025-10-23T11:19:31Zoai:localhost:20.500.12123/22269instacron:INTAInstitucionalhttp://repositorio.inta.gob.ar/Organismo científico-tecnológicoNo correspondehttp://repositorio.inta.gob.ar/oai/requesttripaldi.nicolas@inta.gob.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:l2025-10-23 11:19:31.865INTA Digital (INTA) - Instituto Nacional de Tecnología Agropecuariafalse
dc.title.none.fl_str_mv Estimación de rendimientos en montes frutales de peras y manzanas incorporando el uso de análisis de imágenes
title Estimación de rendimientos en montes frutales de peras y manzanas incorporando el uso de análisis de imágenes
spellingShingle Estimación de rendimientos en montes frutales de peras y manzanas incorporando el uso de análisis de imágenes
Del Brio, Dolores
Frutales
Pera
Manzana
Fruit Crops
Pears
Apples
Yields
Image Analysis
Rendimiento
Análisis de Imágenes
Pronóstico de Producción
Visión Artificial
Modelos Mixtos No Lineales
Production Forecast
Artificial Vision
Nonlinear Mixed Models
title_short Estimación de rendimientos en montes frutales de peras y manzanas incorporando el uso de análisis de imágenes
title_full Estimación de rendimientos en montes frutales de peras y manzanas incorporando el uso de análisis de imágenes
title_fullStr Estimación de rendimientos en montes frutales de peras y manzanas incorporando el uso de análisis de imágenes
title_full_unstemmed Estimación de rendimientos en montes frutales de peras y manzanas incorporando el uso de análisis de imágenes
title_sort Estimación de rendimientos en montes frutales de peras y manzanas incorporando el uso de análisis de imágenes
dc.creator.none.fl_str_mv Del Brio, Dolores
Tassile, Valentín
Fernandez, Dario Eduardo
Bramardi, Sergio Jorge
Giménez, Gustavo Nestor Jorge
Reeb, Pablo Daniel
author Del Brio, Dolores
author_facet Del Brio, Dolores
Tassile, Valentín
Fernandez, Dario Eduardo
Bramardi, Sergio Jorge
Giménez, Gustavo Nestor Jorge
Reeb, Pablo Daniel
author_role author
author2 Tassile, Valentín
Fernandez, Dario Eduardo
Bramardi, Sergio Jorge
Giménez, Gustavo Nestor Jorge
Reeb, Pablo Daniel
author2_role author
author
author
author
author
dc.subject.none.fl_str_mv Frutales
Pera
Manzana
Fruit Crops
Pears
Apples
Yields
Image Analysis
Rendimiento
Análisis de Imágenes
Pronóstico de Producción
Visión Artificial
Modelos Mixtos No Lineales
Production Forecast
Artificial Vision
Nonlinear Mixed Models
topic Frutales
Pera
Manzana
Fruit Crops
Pears
Apples
Yields
Image Analysis
Rendimiento
Análisis de Imágenes
Pronóstico de Producción
Visión Artificial
Modelos Mixtos No Lineales
Production Forecast
Artificial Vision
Nonlinear Mixed Models
dc.description.none.fl_txt_mv Publicado en: Memorias de las JAIIO : CAI - Congreso Argentino de AgroInformática, v.10, no. 3 (2024) : 104-117 (2024)
El pronóstico de cosecha a nivel de parcela es una herramienta de gran utilidad en la producción de frutales de pepita. Para realizar pronósticos es necesario conocer el número de frutos presentes en los árboles, el tamaño que alcanzarán a cosecha y el número de árboles de la parcela frutal. Para conocer el número de frutos generalmente se utilizan metodologías de conteo manual, que son costosas y poco precisas. El objetivo de este trabajo fue implementar un modelo predictivo del rendimiento a cosecha para frutales de pepita del Alto Valle de Río Ne-gro y Neuquén. Se trabajó en tres montes frutales de pera cv. ´William´s´ y tres de manzanas cv. ´Red chief´. Se realizaron estimaciones mediante dos modelos de pronóstico diferentes: uno basado en conteo manual de frutos para obtener la carga, y otro basado en la detección y conteo automático de frutos a partir de imágenes para estimar la carga. Se compararon los costos entre ambas metodologías y la calidad de predicción respecto a los datos reales de cosecha. Además, se realice una estimación de tamaños comerciales a cosecha. Los rendimientos estimados mediante los pronósticos realizados a partir de conteos manuales de frutos presentaron errores relativos menores al 10% respecto a los rendimientos reales. Por otra parte, en 5 de los 6 montes frutales evaluados, los rendimientos estimados con pronósticos realizados a partir de imágenes presentaron errores relativos que no superaron el 10% respecto a los rendimientos reales y en un monte frutal el error fue del 24,5%. Si bien el pronóstico realizado mediante conteos manuales resultó un poco más preciso, su costo fue 3 veces más alto que el de imágenes. Las estimaciones de distribución de tamaños a cosecha no representaron en forma adecuada las distribuciones obtenidas realmente.
EEA Alto Valle
Fil: Del Brío, Dolores. Instituto Nacional de Tecnología Agropecuaria (INTA). Estación Experimental Agropecuaria Alto Valle; Argentina
Fil: Tassile, Valentín. Universidad Nacional del Comahue. Facultad de Ciencias y Tecnología de los Alimentos; Argentina
Fil: Fernández, Darío Eduardo. Instituto Nacional de Tecnología Agropecuaria (INTA). Estación Experimental Agropecuaria Alto Valle; Argentina
Fil: Bramardi, Sergio Jorge. Universidad Nacional del Comahue. Departamento de Estadística; Argentina
Fil: Bramardi, Sergio Jorge. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro de Investigaciones en Toxicología Ambiental y Agrobiotecnología del Comahue (CITAAC); Argentina
Fil: Giménez, Gustavo Néstor Jorge. Universidad Nacional del Comahue. Departamento de Estadística; Argentina
Fil: Giménez, Gustavo Néstor Jorge. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro de Investigaciones en Toxicología Ambiental y Agrobiotecnología del Comahue (CITAAC); Argentina
Fil: Reeb, Pablo Daniel. Universidad Nacional del Comahue. Departamento de Estadística; Argentina
Fil: Reeb, Pablo Daniel. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro de Investigaciones en Toxicología Ambiental y Agrobiotecnología del Comahue (CITAAC); Argentina
description Publicado en: Memorias de las JAIIO : CAI - Congreso Argentino de AgroInformática, v.10, no. 3 (2024) : 104-117 (2024)
publishDate 2024
dc.date.none.fl_str_mv 2024-09-09
2025-05-14T11:00:56Z
2025-05-14T11:00:56Z
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://hdl.handle.net/20.500.12123/22269
2451-7496
url http://hdl.handle.net/20.500.12123/22269
identifier_str_mv 2451-7496
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv SADIO
publisher.none.fl_str_mv SADIO
dc.source.none.fl_str_mv 16º Congreso Argentino de AgroInformática (CAI-2024) y 53as. Jornadas Argentinas de Informática (JAIIO 53). Bahía Blanca, 12 al 16 de agosto de 2024
reponame:INTA Digital (INTA)
instname:Instituto Nacional de Tecnología Agropecuaria
reponame_str INTA Digital (INTA)
collection INTA Digital (INTA)
instname_str Instituto Nacional de Tecnología Agropecuaria
repository.name.fl_str_mv INTA Digital (INTA) - Instituto Nacional de Tecnología Agropecuaria
repository.mail.fl_str_mv tripaldi.nicolas@inta.gob.ar
_version_ 1846787604102512640
score 12.982451

Publicaciones similares