English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Plus monthly

Global: Zendy Tools annual

Global: Zendy Tools monthly

Global: Zendy Free Plan

Resumen: Estimar con exactitud la cosecha de un cultivo representa una información muy relevante para agricultores y cooperativas/agentes encargados de gestionar y vender el producto. De esta estimación depende la organización y logística necesarias para la recolección, planificación del almacenaje, stock y abastecimiento de los mercados. Actualmente la estimación de la cosecha se realiza en campo con personal experimentado realizando una inspección visual y en base a datos históricos, proceso que tiene riesgo de presentar errores humanos. Las redes neuronales convolucionales (CNN) basadas en el Deep Learning (DL), constituyen una herramienta prometedora para hacer estimaciones de rendimiento basadas en el reconocimiento y conteo de frutos. El objetivo del este trabajo ha sido crear un modelo basado en CNNs a partir de una arquitectura de red existente y entrenada para contar el número de frutos y estimar la producción de la parcela. Una vez entrenados los modelos, se testaron sobre imágenes tomadas con un dron multirrotor sobre 20 árboles seleccionados al azar de una parcela de cítricos Citrus sinensis (L.) cv. Navelina. Durante las tres campañas anuales en las que se han realizado las estimaciones, el error medio absoluto obtenido con DL fue entre 4-6% y el del técnico especialista en el aforo entorno al 8-11% frente a la producción real de la parcela. Estos resultados vislumbran un gran potencial de la metodología para la predicción del rendimiento de árboles de cítricos.

Estimación de producción en cítricos usando técnicas de aprendizaje automático