CBL - Campus del Baix Llobregat

Projecte ofert

Títol: Sistemas fotónicos para la caracterización espectral y 3D de la vegetación en aplicaciones de agricultura de precisión

Per assignar-vos el projecte us heu de dirigir al tutor/a o cotutor/a perquè us l'assigni.

Tutor/a o Cotutor/a: SERRANO PORTA, LIDIA

Departament: DEAB

Títol: Sistemas fotónicos para la caracterización espectral y 3D de la vegetación en aplicaciones de agricultura de precisión

Data inici oferta: 28-11-2024      Data finalització oferta: 28-06-2025

Estudis d'assignació del projecte:
    MU MKET4FOOD+BIO
    MU TECH4AGRI+FOOD

Lloc de realització:
EEABB

Segon tutor/a (UPC): VILASECA RICART, MERITXELL

Paraules clau:
Fotónica, vegetación, agricultura de precisión

Descripció del contingut i pla d'activitats:
En los últimos años se han dedicado grandes esfuerzos al desarrollo de sistemas para la evaluación espectral automática de la vegetación y la caracterización de la cubierta vegetal (altura, densidad de hojas, ...) en cultivos especializados para poder optimizar la dosis de pesticidas aplicada. Se han propuesto diferentes tecnologías (ultrasonidos, LIDAR, imágenes satelitales, ...), pero su uso generalizado es aún limitado debido a su alto costo, la necesidad de un procesamiento intensivo posterior a la adquisición de datos, la falta de datos punto a punto, etc.

En este sentido, el CD6 (UPC) está desarrollando nuevos sistemas basados en fotónica que utilizan tecnología de imagen multiespectral y estereoscópica, con el objetivo de proporcionar herramientas de bajo costo y alta velocidad para la caracterización de la vegetación.

En este trabajo se propone:

1.Participar en la implementación de configuraciones experimentales espectrales y 3D para la caracterización de vegetación, en particular sistemas de imagen multiespectral y estereoscópicos.

2.Desarrollar nuevos algoritmos para la extracción de parámetros espectroscópicos y geométricos que describan la estructura de la vegetación (reflectancia, altura, anchura) a partir de las imágenes.

3.Investigar la posibilidad de adaptar algoritmos de clasificación existentes en el estado del arte basados en machine learning para clasificar la vegetación en términos de densidad y otras características. Entrenar y probar los algoritmos desarrollados con nuestros conjuntos de datos, comparando los resultados con valores de referencia y con los obtenidos mediante otras técnicas.

4.Participar en mediciones experimentales para la validación del sistema a nivel de laboratorio, comparando los resultados obtenidos con índices medidos a partir de sistemas comerciales existentes como, por ejemplo, el sensor Crop Circle ACS-435, que permite medir los índices NDVI/NDRE (Normalized Difference Vegetation Index/ Normalized Difference Red Edge Index).

Orientació a l'estudiant: La mayor parte del trabajo se desarrollará en el laboratorio.

La disponibilidad horaria se podrá acordar al inicio del trabajo.

Es deseable que el estudiante tenga algunos conocimientos básicos en programación en Python y Matlab.

© CBLTIC Campus del Baix Llobregat - UPC