Javascript must be enabled to continue!
Algoritmos para agricultura de precisión utilizando computación de alto rendimiento
View through CrossRef
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.
Title: Algoritmos para agricultura de precisión utilizando computación de alto rendimiento
Description:
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.
Related Results
PREVENÇÃO DA TROMBOSE VENOSA PROFUNDA NA GRAVIDEZ PELA ENFERMAGEM NA APS
PREVENÇÃO DA TROMBOSE VENOSA PROFUNDA NA GRAVIDEZ PELA ENFERMAGEM NA APS
PREVENÇÃO DA TROMBOSE VENOSA PROFUNDA NA GRAVIDEZ PELA ENFERMAGEM NA APS
Danilo Hudson Vieira de Souza1
Priscilla Bárbara Campos
Daniel dos Santos Fernandes
RESUMO
A gravidez ...
Liderazgo del docente universitario y el rendimiento académico
Liderazgo del docente universitario y el rendimiento académico
El propósito de la investigación fue determinar la relación entre el estilo de liderazgo de los docentes y el rendimiento académico de los estudiantes del IV ciclo de la Facultad d...
Evaluación de rendimiento y eficiencia energética de sistemas heterogéneos para bioinformática
Evaluación de rendimiento y eficiencia energética de sistemas heterogéneos para bioinformática
El problema del consumo energético se presenta como uno de los mayores obstáculos para el diseño de sistemas que sean capaces de alcanzar la escala de los Exaflops. Por lo tanto, l...
ecision Farming and Predictive Analytics in Precision Farming and Predictive Analytics in Precision Farming and Predictive Analytics in Precision Farming and Predictive Analytics in Precision Farming and Predictive Analytics in Precision Farming and Predi
ecision Farming and Predictive Analytics in Precision Farming and Predictive Analytics in Precision Farming and Predictive Analytics in Precision Farming and Predictive Analytics in Precision Farming and Predictive Analytics in Precision Farming and Predi
The scope of sensor networks and the Internet of Things spanning rapidly to diversified domains but not limited to sports, health, and business trading. In recent past, the sensors...
Efficient approximate string matching techniques for sequence alignment
Efficient approximate string matching techniques for sequence alignment
One of the outstanding milestones achieved in recent years in the field of biotechnology research has been the development of high-throughput sequencing (HTS). Due to the fact that...
Adapting floating-point precision to accelerate deep neural network training
Adapting floating-point precision to accelerate deep neural network training
(English) Deep Neural Networks (DNNs) have become ubiquitous in a wide range of application domains. Despite their success, training DNNs is an expensive task which has motivated t...
Towards a safe and efficient OpenMP
Towards a safe and efficient OpenMP
(English) The growing complexity of contemporary multi-core and heterogeneous architectures necessitates parallel programming models capable of efficiently leveraging the available...
A paradigm shift of HPC for geosciences: a novel HPC service model for geosciences applications
A paradigm shift of HPC for geosciences: a novel HPC service model for geosciences applications
(English) The Oil and Gas (O&G) industry ranks prominently among the leading commercial users of powerful supercomputers worldwide, as indicated by global High-Performance Comp...

