Metodologías de detección de oidio en vid mediante imágenes hiperespectrales y georreferenciación

La producción vitivinícola es uno de los sectores estratégicos de la Unión Europea con un volumen de exportación de un 8%. Mejorar este posicionamiento requiere generar valor incrementando la calidad del producto y minimizando los impactos medioambientales y los efectos negativos para la salud. El objetivo de este proyecto es desarrollar un sistema de detección de Oídio en viñedos que permita reducir las dosis de aplicación de los productos fitosanitarios. Para ello se desarrollaron tres metodologías en las que se utilizaron imágenes de hojas de viña con Oídio y de hojas asintomáticas en formatos RGB y HSI. En todas las metodologías se utilizó la técnica image registration para transformar las imágenes RGB a las coordenadas y dimensiones de las imágenes HSI. En la primera metodología se seleccionó una cantidad pequeña de píxeles, en la segunda metodología se incrementó el volumen de datos y en la tercera se semiautomatizó parte del proceso de selección de píxeles a través de una segmentación por umbrales. Finalmente, en cada una de las metodologías se aplicó un análisis PLSDA alcanzando una precisión en validación de un 96,11%, un 98,34% y un 95,43%.

Wine production is one of the strategical sectors in the European Union with an exportation volume of 8%. Improving this position requires generating value by increasing the quality of the product and reducing the environmental impact and the negative health effects. The aim of this study is to develop a Powdery Mildew detection system for vineyards which allows decreasing the applications dose of phytosanitary products. For this purpose, three methodologies have been developed. Images of vineyard leaves infected with Powdery Mildew, and as well, asymptomatic leaves in RGB and HSI format have been utilized. In all the methodologies, the image registration technique has been used to transform the RGB images into the coordinates and dimensions of the HSI images. In the first methodology, a small quantity of pixels was selected, whereas in the second methodology, the volume of data was increased and in the third one, part of the pixel selection process was semi-automatized using threshold segmentation. Finally, in each of the methodologies, a PLSDA analysis was applied, achieving a precision in validation of 96.11%, 98.34% and 95.43%.