Implementation Of An Anti-Collision Drone Capable =
Of
Following A Pre-Established Trajectory For The Elaboration Of A Map Of The
Plant Occupation Rate In An Area
Fabricio Javier Santacruz Sulca Recibido:
10-06-2019 / Revisado: 15-07-2019 /Aceptado: 15-08-2019/ Publicado: 06-09-2=
019 An unmanned fl=
ight
system was implemented, which is able to detect obstacles and avoid collisi=
ons.
The drone is capable of taking images for further processing, it shows the
percentage and size of vegetation in through the plots into a GUI in Matlab software.. Resumen. Se implemento=
un
sistema de vuelo no tripulado, el cual es capaz de detectar obstáculos y ev=
itar
colisiones. El drone es capaz de tomar imágenes=
para
su posterior procesamiento con lo cual se logra obtener el porcentaje y tam=
año
de ocupación vegetal en las parcelas, mostradas gráficamente en una GUI en =
el
programa de Matlab Palabras claves: Dron,
Anti-colisiones, Agricultura de precisión. Introducción. En las últimas dos décadas la agricultura de preci=
sión
ha ido mejorando sus métodos del tratamiento de la información en los culti=
vos
y con la incorporación de drones para la recolección de información =
(Murugan,
Garg, Ahmed, & Singh, 2018), se han obten=
ido
resultados aceptables con los cuales se puede estimar las condiciones en las
que los terrenos se encuentran. Las imágenes aeras de
los cultivos nos permiten distinguir entre un suelo cultivado y no cultivad=
o,
pero aun no se puede clasificar los diferentes tipos de labranza. El uso de
drones para las técnicas de visión computarizada nos permite monitorizar las
parcelas sin importar su dimensión y de ese modo tomar los correctivos
necesarios (Tripicchio,
Satler, Dabisias, Ruffaldi, & Avizzano, 2015). Muchos drones se desplazan por trayectorias
predeterminadas con la ayuda de sensores colocados en los puntos a los cual=
es
deberá llegar y mientras ejecuta la misión, debe ir adquiriendo imágenes en=
el
trayecto (Moribe,
Okada, Kobayashl, & Katayama, 2018). Al usar esta
técnica se debe considerar la reducción del consumo de batería para prolong=
ar
la vida útil de los nodos de sensores. La inclusión de los drones en este c=
ampo
ha tenido una buena aceptación en países de primer mundo, no obstante, su a=
cogida
en el resto de la población no ha sido la esperada. Estos problemas se dan
debido a la falta de conocimiento del potencial que se puede llegar a tener=
con
estos equipos para mejorar el tratamiento de los cultivos (Yallappa,
Veerangouda, Maski, Palled, & Bheemanna, 2017). El ambiente en el que operan los drones es mayorme=
nte
conocido y procurando que se encuentre alejado de obstáculos (Devos,
Ebeid, & Manoonpong, 2018), sin embargo,=
un
desafío importante para el drone es evadir obst=
áculos
en entornos complejos. Para estos fines los dornes
son controlados por un piloto a través de un FPV o vuelan de forma autónoma
mediante auto-posición utilizando un GPS, pero debido a limitaciones del GP=
S en
aéreas cerradas se puede estimar la auto ubicación mediante el uso de senso=
res
o el procesamiento de imágenes (Morita,
Kinjo, & Sato, 2018). Los drones se
están volviendo ampliamente disponibles, participando en tareas que implica=
n un
acceso difícil para los seres humanos. En términos de navegación, los drones
son mas versátiles que los vehículos terrestres (Wang,
Yadav, & Balakrishnan, 2007), ya que pueden
despegar y aterrizar verticalmente además de mantenerse suspendido en el ai=
re y
detener su movimiento bruscamente. La segmentación de imágenes es encontrar grupos de
píxeles que” van juntos” (Jain,
Ray, & Bhavsar, 2015), entonces se =
ha
propuesto la intervención de un operador humano en la segmentación de imáge=
nes
de modo que sea interactiva. Los filtros de imágenes son de importancia en =
el
momento de reconocer determinados pixeles para su reconstrucción y manipula=
ción
(Jian,
Bin, Hua, Lei, & Li, 2013). En el
procesamiento de imágenes un desafío que se presenta es lidiar con las
variaciones de intensidad originadas por la iluminación entre ellas =
(Rivaz,
Karimaghaloo, & Collins, 2014), por lo tanto=
, es
necesario estimar un margen de tolerancia para poder estimar la similitud de
los pixeles en cada una de las imágenes procesadas. Metodología. La implementación del drone
anticolisiones capaz de seguir una trayectoria para obtener imágenes de una
zona cumple con los objetivos planteados en el proyecto de investigación, es
por ello por lo que, para su desarrollo se usa los métodos de observación y
experimentación, es decir estrategias basadas en la experiencia, la practic=
a y
el análisis de los hechos, con el fin de llegar a la solución eficaz del
problema planteado. El problema se divide en varias etapas=
muy
bien estructuradas, es decir pequeños problemas mas sencillos, esto con la
finalidad de lograr la completa resolución del problema principal de manera
optima y teniendo en cuenta que cada etapa lleva su tiempo de construcción.=
Elección del kit de desarrollo Para elegir el kit adecuado se tomaron=
en
consideración las carteristas que cada uno de los dos kits mas accesibles
poseen y finalmente optando por el kit de Intel Aero RTF. En la Figura 1 se muestra el ensamble f=
inal
del drone junto con el sistema de prevención de
colisión. Tabla 1. Características de los
elementos que poseen los kits SLAMdrunk e Intel=
Aero =
Parrot SLAMdunk=
=
Intel Aero Ready to Fly=
Procesador NVIDIA=
Tegra
K1 Intel =
Atom
x7-z8750 RAM / Memoria 2 GB DDR3 / 16 GB 4 GB DDR3 / 32 GB Sensores IMU,
Magnetómetro, barómetro, ultrasónico IMU,
Magnetómetro, Barómetro Cámaras Resolución 1500 x1500 a 60 FPS RGB 8MP y VGA monocromático, RealSense R200 Controlador de vuelo=
-------------------------------- Contro=
lador
Intel Aero, SMT 32 Sistema Operativo Ubuntu, ROS Linux Yocto, soporte para Ubuntu/ ROS Aplicación Sistem=
a para
navegación Autónoma, evasión de obstáculos y mapeo 3D, aplicable a drones=
y
otra clase de robots. Desarr=
ollo y
prueba de aplicaciones para drones, soporte de tecnología Intel RealSense
para interacción con el usuario, detección de objetos y mapeo 3D Tabla 2. Comparación entre SLAMdrunk e Intel Aero Parrot SLAMdunk=
=
Intel Aero RTF Mayor
capacidad de procesamiento NO SI Soport=
e para
varios sensores SI SI Mayor
soporte para cámaras NO SI Sistema
Operativo de código abierto SI SI Contro=
lador
de vuelo incluido NO SI Versatilid=
ad para
desarrollar sistemas de navegación autónoma SI NO NO SI Figura 1.
Ensamblaje final del drone Elaborado por:=
Grupo de Investigación. Procesamiento de Imágenes Para la adquisición de las imágenes de=
las
misiones realizadas y su debido procesamiento, se utilizó la cámara Xioma YI Lite debido a su precio y Angulo de captura =
de
35mm el cual nos permite obtener imágenes de 120 grados. Algoritmo del reconocimiento panorámic=
o Entrada: n imágenes desordenadas. =
a) Seleccionar
m imágenes de coincidencia de candidatos. =
b) Encontrar
coincidencias de características geométricas utilizando RANSAC para resolve=
r la
homografía entre pares de imágenes. =
c) Verificar
que las imágenes coincidan con el modelo probabilístico. =
a) Realizar
el ajuste del paquete para resolver la rotación y la distancia focal. =
b) Renderizar
panorámicas usando cultivadas. Salida: imagen panorámica. Con la ayuda de Matlab se procede a
implementar el algoritmo y con la ayuda de la librería VLFEAT se pudo conse=
guir
resultados favorables debido a que posee librerías como: FISHER, VECTOR, VL=
AD,
SIFT, MSER, entre otras: Componentes Principales En El
Reconocimiento De Imágenes Los procesos principales son el algori=
tmo de
Stitching y el algoritmo de Segmentación, enton=
ces se
debe proceder de la siguiente forma: Con los valores de cada pixel se puede
determinar el porcentaje y tamaño aproximado de cada imagen panorámica
únicamente se debe tomar en cuenta todos los aspectos que se presentan en l=
as
ecuaciones (1) y (2). + Figura 2.
Pruebas de similitud en las imágenes. Elaborado por:=
Grupo de Investigación. Donde: - E: Escala de la
imagen. - H: Altura desniv=
el
del terreno. - hv:
Altura de vuelo del dron sobre el terreno. - f: Distancia foc=
al
de la cámara. - n: Numero de pix=
eles
segmentados. - r: Resolución de=
la
imagen en pixeles por pulgada. - fc:
Factor de conversión de pulgada a m. - vegetación:
Área de ocupación vegetal. Para un mejor análisis de resultados e
interpretación de este valor se procedió a dividir a toda la zona en sector=
es
mas pequeños como se muestra en la figura 3, que nos permitirán conocer de
mejor manera en que parte se encuentra la mayor y menor concentración de
vegetación. Sistema Anticolisiones Basado En Un Se=
nsor
Ultrasónico Para realizar una misión con las debid=
as
precauciones es necesario contar con un sistema que permita detectar
obstáculos, evaluarlos y evitarlos para poder proteger el drone
ante posibles amenazas en espacios cerrados. Al utilizar un sensor ultrasón=
ico
situado en la parte frontal del fuselaje del drone y
con una distancia de detecciondeobjetosenalmenos4metros, se pudo hacer una
intervención en la señal del transmisor del dispositivo, desactivando los
motores y generando un aterrizaje de emergencia. La acción de parar
progresivamente las revoluciones en los motores se efectuó alterando el val=
or
del potenciómetro que controla el movimiento vertical del drone,
la señal a cargo de permitir que la tarea se lleve a cabo fue enviada y
recibida por antenas NFR14l01 junto con arduinos
nano, que controlan la comunicación entre las antenas. Figura
3.
Interfaz del programa de reconstrucción, subdivisión y determinación de la
población vegetal Elaborado por:=
Grupo de Investigación. Figura 4.
D.F. del transmisor del sistema de paro de emergencia Elaborado por:=
Grupo de Investigación. Las figuras (3) y (4) muestran el
principio de funcionamiento del transmisor y receptor del sistema
anticolisiones Figura 5. Receptor del sistema de paro=
de
emergencia Elaborado por:=
Grupo de Investigación. Planeación de la misión mediante una
estación de control en tierra. Para realizar la planificación de la
misión se procedió a utilizar el programa QGround
Control el cual tiene soporte para PX4. Se debe establecer una conexión con=
el drone con la finalidad de poder monitorear de manera =
remota
el estado actual del drone en vuelo. Planear la
misión en este software se basa en determinar los puntos que debe recorrer =
el drone con la ayuda conjunta de un GPS integrado en el
mismo. Ventana de planeación de misión: Main Figura 6.
Ventana de herramientas de configuración de una misión. Elaborado por:=
Grupo de Investigación. Plan Tools:
Son las herramientas que se usan para crear la trayectoria de la misión,
definiendo los puntos de recorrido ”Waypoints” =
y el
punto de finalización de la ruta. Command
Editor: Ubicado en la parte derecha de la ventana. En esta
herramienta se puede modificar los parámetros de vuelo que va a recorrer el=
drone en cada uno de los puntos definidos en la herra=
mienta
de planeación, como es la velocidad, altura y tiempo de espera. Una vez definidos los puntos de
trayectoria y procurando un desplazamiento en línea recta junto con los
parámetros de vuelo como velocidad de desplazamiento y altura, se procede a
cargar la misión en el drone. Para recorrer la =
misión
establecida, el transmisor debe tener un canal configurado en modo ”Mission” para que de tal modo se pueda mandar a ejecu=
tar la
misma. Resultados =
Análisis
de la reconstrucción de imágenes. =
Para
la captura de las imágenes se utiliza la cámara deportiva Xiaomi, situado 90
grados con respecto al fuselaje del dron con un time l=
apse
de 3s, logrando obtener imágenes con un solapamiento aproximado de 60% entre
imágenes. Para este ejemplo se capturo una secuencia de 5 imágenes, las cua=
les
son almacenadas en la memoria microSD de la cámara para posteriormente
cargarlas a la computadora de manera manual una vez terminada la misión de
vuelo. =
Figura
7.
Secuencia de imágenes obtenidas en la misión. =
Elaborado por:=
Grupo de Investigación. =
Cabe
mencionar que el programa soporta cambios en parámetros de rotación, escala=
y
el orden de las imágenes. En la prueba realizada se estima la robustez del
algoritmo, procediendo a cambiar el orden de la secuencia inicial de imágen=
es,
obteniendo un resultado similar al original, debido a que el algoritmo trat=
a de
buscar la imagen central dentro de la secuencia y en base a esta, se proced=
e a
la unión con las demás imágenes. También se procedió a variar el tamaño y la
orientación de una de las imágenes, se utilizaron imágenes de 3968x2976 pix=
eles
y una imagen de 1786x1340 pixeles, con la cual probamos que el tamaño y la
orientación de la imagen no afecta al resultado final. =
Figura
8.
Imagen reconstruida. Elaborado por:=
Grupo de Investigación. =
En
la tabla 3 se realizo una comparación entre las diferentes pruebas realizad=
as,
obteniendo los siguientes resultados. Tabla
3.
Comparación de resultados de la reconstrucción de imágenes, variando
parámetros. CARPETA=
(MISION)=
NÚMERO IMAGENES=
PARAMETRO VARIADO=
TIEMPO DE SALIDA=
(SEGUNDOS)=
RESOLUCION DE SALIDA=
(PIXELES)=
RESULTADO=
1 4 NINGUNO 00:09.69 2897 x 1508 Aceptable 7 4 DESORDEN 00:10.94 2578 x 1582 Aceptable 8 4 TAMAÑO 00:08.60 2964 x 1585 Aceptable 9 4 ORIENTACION 00:09.29 2567 x 1459 Aceptable =
Sistema anticolisiones.=
=
De
acuerdo con las pruebas establecidas con el drone se
ha establecido el rango máximo en la detección de objetos en el sensor
ultrasónico con una distancia de detección aproximada de 4m debido a la
velocidad con la que los motores disminuyen sus revoluciones cuando se llev=
a a
efecto el bloqueo del acelerador en el transmisor del =
drone
se puede definir la distancia de separación con el obstáculo en la que el d=
ron
efectuó el aterrizaje. Se puede estimar la distancia de descenso que descri=
be
el dron pudiendo así conocer la altura máxima en la que el sistema será
funcional, como se muestra en la figura 9. Figura
9.
Valores de separación del drone al momento de g=
enerar
el paro de emergencia. Elaborado por:=
Grupo de Investigación. =
Con
una calibración de descenso aproximada de 30 grados se pudo definir el valo=
r de
la pendiente y las distancias a las cuales el drone
se encontrará al final del proceso. Por lo tanto, las estimaciones de las
distancias se muestran en la tabla 4. Tabla 4. Valores tolerables en
los cuales el sistema basado en ultrasónico será eficiente Distancia de detección
(metros) Altura del drone Y=
(metros) Distancia X Distancia de descenso
recorrida Z (metros) Distancia de separaci=
ón d
(metros) Aceptación con relaci=
ón a
la altura 4 5 4,33 6,61 -0,33 NULA 4 4 3,46 5,29 0,54 BAJA 4 3 2,60 3,97 1,40 ALTA 4 2 1,73 2,65 2,27 ALTA 4 1 0,87 1,32 3,13 ALTA =
=
En
el momento de realizar las pruebas para la comparación de valores estimados=
vs.
valores reales, se obtuvieron los siguientes resultados mostrados en la tab=
la
5. =
Tabla
5.
Valores estimados y reales de distancias de separación en el sistema
anticolisiones. =
Distancia de separacion
entre el obstaculo Altura (metros) Posición calculada (metr=
os) Posición real (metros) Tiempo de aterrizaje
aproximado(segundos) Velocidad de descenso
(metros/segundo) 3.5 0.98 1.10 6 0.81 3 1.27 1.35 6 0.70 2.5 1.55 1.62 5 0.67 2 1.85 1.95 4 0.62 1.5 2.13 2.20 3 0.71 1 2.43 2.50 2 0.60 0.5 2.71 2.79 1 0.67 =
=
Planeación
de la misión. =
El
tiempo máximo de vuelo es de 10 minutos en promedio, utilizando una batería=
de
4s, 3000 mAh, y una tasa de descarga de 30-40C. Este tiempo depende de fact=
ores
como la velocidad de desplazamiento, la ruta a seguir y velocidad del vient=
o,
entre otras condiciones ambientales. Esto nos da como resultado un tiempo
aproximado de 8 minutos de vuelo. La velocidad de vuelo es de 2 m/s, la cap=
tura
de imágenes se lo realizo mediante la función de temporización en un lapso =
de 3
segundos, para tener un solapamiento mayor al 70%. La altura de vuelo se
determina en función del ancho del terreno, para que el ancho del terreno s=
ea
cubierto por una sola imagen. La finalidad es definir la trayectoria mas
sencilla para el dron, es decir una línea recta obteniendo un menor numero =
de
imágenes para procesar. Una vez configurada la ruta como se muestra en la
figura 10, se procede a cargarla en el dron y a ejecutarla para la captura =
de
las imágenes. =
Figura
10.
Definición de la trayectoria a seguir. Elaborado por:=
Grupo de Investigación. =
En
la figura 11 se muestran los valores de distancia estimados por el GPS en <=
span
class=3DSpellE>Qground Control y los valores Reales medidos de manera
manual. =
Figura
11.
Valores reales y estimados en las trayectorias. Elaborado por: Grupo de Investigaci=
ón. =
Conclusiones
. Keywords: Drone, Anti-collisions, Precision Farming.
Referencias Bibliográficas
=
Jain, S. K., Ray, R. K., & Bhavsar, A. (2015). Iterative solvers=
for
image denoising with diffusion models: A comparative study. Computers =
and
Mathematics with Applications.
https://doi.org/10.1016/j.camwa.2015.04.009
= Jian, C., Bin, Y., Hua, J., Lei, Z., & Li, T. (2013). Interactive image segmentation by improved maximal similarity based region merging. I= n ICMIPE 2013 - Proceedings of 2013 IEEE International Conference on Medical Imagi= ng Physics and Engineering. https://doi.org/10.1109/ICMIPE.2013.6864551<= o:p>
=
Moribe, T., Okada, H., Kobayashl, K., & Katayama, M. (2018).
Combination of a wireless sensor network and drone using infrared
thermometers for smart agriculture. In CCNC 2018 - 2018 15th IEEE Annu=
al
Consumer Communications and Networking Conference.
https://doi.org/10.1109/CCNC.2018.8319300
=
Morita, M., Kinjo, H., & Sato, S. (2018). Autonomous flight drone
for infrastructure (transmission line) inspection (3). In ICIIBMS 2017=
-
2nd International Conference on Intelligent Informatics and Biomedical
Sciences. https://doi.org/10.1109/ICIIBMS.2017.8279692
= Murugan, D., Garg, A., Ahmed, T., & Singh, D. (2018). Fusion of drone and satellite data for precision agriculture monitoring. In 11th International Conference on Industrial and Information Systems, ICIIS 201= 6 - Conference Proceedings. https://doi.org/10.1109/ICIINFS.2016.8263068<= o:p>
=
Rivaz, H., Karimaghaloo, Z., & Collins, D. L. (2014).
Self-similarity weighted mutual information: A new nonrigid image
registration metric. Medical Image Analysis.
https://doi.org/10.1016/j.media.2013.12.003
=
Tripicchio, P., Satler, M., Dabisias, G., Ruffaldi, E., & Avizza=
no,
C. A. (2015). Towards Smart Farming and Sustainable Agriculture with Dron=
es.
In Proceedings - 2015 International Conference on Intelligent
Environments, IE 2015. https://doi.org/10.1109/IE.2015.29
= Wang, X., Yadav, V., & Balakrishnan, S. N. (2007). Cooperative U= AV formation flying with obstacle/collision avoidance. IEEE Transactions = on Control Systems Technology. https://doi.org/10.1109/TCST.2007.899191<= o:p>
Yallappa, D., Veerangouda, M., Maski, D., Palled,=
V.,
& Bheemanna, M. (2017). Development and evaluation of drone mounted
sprayer for pesticide applications to crops. In GHTC 2017 - IEEE Global
Humanitarian Technology Conference, Proceedings.
https://doi.org/10.1109/GHTC.2017.8239330
<= o:p>
<= o:p>
<= o:p>
<= o:p>
<= o:p>
<= o:p>
<= o:p>
<= o:p>
<= o:p>
<= o:p>
<= o:p>
<= o:p>
<= o:p>
<= o:p>
<= o:p>
<= o:p>
<= o:p>
<= o:p>
PARA CITAR EL ARTÍCULO
INDEXADO.
Santacruz Sulca, F., Cabrera Aguayo, F., Olmedo Carrillo, W., & Tacuri<= /span> Auquilla, J. (2019). Implementación de un Dron Anticolisiones Capaz de Segu= ir una Trayectoria Preestablecida para la Elaboración de un Mapa de la Tasa de Ocupación Vegetal en una Zona. Ciencia Digital, 3(3.3), 356-3= 74. https://doi.org= /10.33262/cienciadigital.v3i3.3.827
El
artículo que se publica es de exclusiva responsabilidad de los autores y no
necesariamente reflejan el pensamiento de la Revista Ciencia Digital.
El artículo queda en propiedad de la revista y, por
tanto, su publicación parcial y/o total en otro medio tiene que ser autoriz=
ado
por el director de la Revista Cien=
cia
Digital.
<= o:p>
[1] Escue=
la
Superior Politécnica de Chimborazo, Facultad de Informática y Electrónica. Riobamba, Ecuador. fabrici=
o.santacruz@espoch.edu.ec
[2]Escuela Superior Politécnica de Chimborazo, Facult=
ad
de Informática y Electrónica. Riob=
amba,
Ecuador. fausto.cabrera@espoch.edu.ec
[3] Escuela Superior Politécnica de Chimborazo, Facul=
tad
de Informática y Electrónica. Riob=
amba,
Ecuador. wilson.olmedo@espoch.edu.ec
[4] Escuela Superior Politécnica de Chimborazo, Facul=
tad
de Informática y Electrónica. Riob=
amba,
Ecuador. jhony.tacuri@espoch.edu.ec
www.cienciadigital.org