R3. Methodology for harvest prediction. Continuous monitoring of the variables that affect the pine cones harvest was implemented, using terrestrial and remote
R3. Methodology for harvest prediction. Continuous monitoring of the variables that affect the pine cones harvest was implemented, using terrestrial and remote sensors. The analysis identified that the most relevant climatic variables as predictors of production are solar radiation during the months of March and September, as well as potential evapotranspiration. A protocol was also developed to quantify pine cones production directly or indirectly through aerial images captured with drones equipped with remote sensors. This methodology allows for a faster, more accurate and objective evaluation compared to the traditional visual procedure. After training several deep learning models, the YOLO v5 model showed outstanding performance, managing to detect up to 90% of first-year pine cones.
R3. Metodología para la predicción de cosecha. Se implementó un monitoreo continuo de las variables que afectan la cosecha de piña, utilizando sensores terrestres y remotos. El análisis identificó que las variables climáticas más relevantes como predictores de la producción son la radiación solar durante los meses de marzo y septiembre, así como la evapotranspiración potencial. También se desarrolló un protocolo para cuantificar la producción de piña de manera directa o indirecta mediante imágenes aéreas capturadas con drones equipados con sensores remotos. Esta metodología permite una evaluación más rápida, precisa y objetiva en comparación con el procedimiento visual tradicional. Tras entrenar varios modelos de deep learning, el modelo YOLO v5 mostró un rendimiento destacado, logrando detectar hasta el 90% de las piñas de primer año.
Improvements and innovation in the production of national pine nut
Completed | 2021-2023
- Main funding source
- Rural development 2014-2020 for Operational Groups
- Geographical location
- Spain