Cantuña, KarlaAndújar, DionisioRecasens, JordiValencia, FranciscoBengochea Guevara, José MaríaRibeiro, Ángela2018-02-092018-02-092017978-84-9769-327-1https://academica-e.unavarra.es/handle/2454/27196Comunicación presentada al XVI Congreso de la Sociedad Española de Malherbología, celebrado en la Universidad Pública de Navarra, Pamplona-Iruña, entre los días 25 y 27 de octubre de 2017.En los tratamientos selectivos en agricultura de precisión es necesario conocer la ubicación precisa de los rodales de malas hierbas. Este artículo describe la generación de mapas de malas hierbas combinando las imágenes adquiridas en condiciones reales de campo con iluminación no controlada con una cámara réflex de lente única (SLR), integrada en un vehículo eléctrico que se mueve a 3 km/h, y la información de ubicación para cada fotografía suministrada por un receptor RTK-GNSS. Las imágenes se combinan en una ortofoto en la que se discriminan las zonas de mala hierba con una técnica de segmentación basada en índices de color. El mejor método de segmentación se determinó comparando 10 estrategias bien conocidas. El análisis comparativo estableció que las técnicas más adecuadas son las basadas en los índices: COM1 (53,01%), EXGR (52,08%) y CIVE (50,52%), no existiendo diferencias significativas entre ellas.Selective treatments in precision agriculture require of a precise location of the weed patches. This article describes the generation of weed maps by combining the images acquired under actual field conditions with uncontrolled illumination with a Single Lens Reflex (SLR) camera, integrated into an electric vehicle moving at around 3 km/h, and the position information of each photo, provided by a RTK-GNSS receptor. The images are combined in an orthophoto for afterwards discriminating weed by a segmentation technique based on a color index. The best segmentation method was determined by comparing 10 well-known strategies. The comparative analysis established that the most appropriate techniques are those based on index COM1 (53.01%), EXGR (52.08%) or CIVE (50.52%), and there are no significant differences between them.6 p.application/pdfspaLicencia Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional (CC BY-NC-ND 4.0)Agricultura de precisiónOrtofotoSegmentación de mala hierbaTest de Newman-KeulsÍndice de JaccardPrecision agricultureOrthophotoWeed segmentationNewman-Keuls testJaccard indexinfo:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/openAccessAcceso abierto / Sarbide irekia