Resumen Uno de los grandes problemas de la humanidad es la excesiva cantidad de residuos que se generan a nivel mundial; por lo tanto, es de vital importancia no sólo reducirlos sino también transformarlos en nuevos productos. Aproximadamente, el 50% de los residuos generados en las ciudades son orgánicos, para darles un valor agregado se pueden transformar en composta. En este artículo, se presenta el desarrollo de un software embebido para un compostero doméstico inteligente. El proceso de desarrollo del software propuesto está guiado por un método específico para sistemas embebidos el cual combina las técnicas de desarrollo en espiral y prototipos; consta de once etapas y tres iteraciones. En este trabajo se presentan los resultados de la primera iteración del proceso de desarrollo de software utilizado.

Abstract One of the great problems of humanity is the excessive amount of waste generated worldwide; therefore, it is of vital importance not only to reduce it but also to transform it into new products. Approximately 50% of the waste generated in cities is organic, and this waste can be given an added value when transformed into compost. In this paper, the development of embedded software for a smart home composter is presented. The development process of the proposed software is guided by a specific method for embedded systems which combines the techniques of spiral development and prototyping; it consists of eleven stages and three iterations. This paper presents the results of the first iteration of the software development process used.

En los últimos años, se ha popularizado el uso de vehículos aéreos no tripulados en el desarrollo de aplicaciones agrícolas y forestales. Debido a la importancia de los cultivos tanto en entornos rurales como urbanos, la extracción de información a partir de datos obtenidos por sensores remotos es un área de investigación relevante. Dicha información es fundamental para realizar la planeación urbana y rural, establecer de nichos ecológicos sustentables, estimar el rendimiento de cultivos, realizar inventarios forestales, supervisar los sistemas de gestión agrícola y algunas otras aplicaciones agrícolas. En este artículo, se presenta una revisión sistemática de la literatura referente al uso de los vehículos aéreos no tripulados en aplicaciones relacionadas con la detección de vegetación y el inventario de plantas. Asimismo, se realiza un análisis de las principales técnicas computacionales y estadísticas utilizadas para el procesamiento de las imágenes tomadas desde vehículos aéreos no tripulados.

In recent years, the use of unmanned aerial vehicles has become popular in the development of agricultural and forestry applications. Due to the importance of plants in both rural and urban environments, the extraction of information from remote sensing data is a relevant research area; such information is fundamental for urban and rural planning, establishing sustainable ecological niches, estimating crop yields, conducting forest inventories, monitoring agricultural management systems and some other agricultural applications. In this article, a systematic review of the literature concerning the use of unmanned aerial vehicles in applications related to vegetation detection and plant inventory is presented. Likewise, an analysis of the main computational and statistical techniques used for processing unmanned aerial vehicles images is also made.

RESUMO A visão computacional (CV) tem sido aplicada há anos para automatizar muitas atividades humanas. É uma das tecnologias-chave para a modernização da indústria agroalimentar em direção à quarta revolução industrial (Indústria 4.0). No setor agrícola, sistemas CV são aplicados para automatizar ou obter informações de muitas tarefas agrícolas, como plantio, cultivo, gerenciamento de fazenda, controle de doenças, controle de ervas daninhas ou colheita robótica. Também é amplamente utilizado em pós-colheita para automatizar e obter informações objetivas em processos como controle de qualidade e avaliação , detecção de danos, classificação de frutas ou vegetais em categorias comerciais ou análise de composição. Uma das principais vantagens é a capacidade desta tecnologia de obter informações em regiões do espectro invisíveis ao olho humano. Um exemplo é o caso de sistemas de imagens hiperespectrais. Esses sistemas geram uma grande quantidade de dados que precisam ser processados de forma eficiente, criando modelos estatísticos robustos e repetíveis que permitam a tecnologia a ser implementada a nível industrial. Para isso, é necessário acoplar os sistemas de CV a ferramentas avançadas de inteligência artificial, como aprendizado de máquina ou aprendizado profundo. O objetivo deste trabalho é revisar os últimos avanços em sistemas de CV aplicados a alimentos e produtos e processos agrícolas.

ABSTRACT Computer vision (CV) has been applied for years to automate many human activities. It is one of the key technologies for the modernization of the agri-food industry towards the fourth industrial revolution (Industry 4.0). In the agricultural sector, CV systems are applied to automate or obtain information from many agricultural tasks such as planting, cultivation, farm management, disease control, weed control or robotic harvesting. It is also widely used in postharvest to automate and obtain objective information in processes such as quality control and evaluation, damage detection, classification of fruits or vegetables in commercial categories or composition analysis. One of the main advantages is the ability of this technology to obtain information in regions of the spectrum that are invisible to the human eye. An example is the case of hyperspectral imaging systems. These systems generate a large amount of data that needs to be processed efficiently, creating robust and repeatable statistical models that allow the technology to be implemented at an industrial level. To achieve this, it is necessary to couple CV systems with advanced artificial intelligence tools such as machine learning or deep learning. The objective of this work is to review the latest advances in CV systems applied to food and agricultural products and processes.

The aim of this study was to evaluate predictive models of the chemical composition of kikuyo grass (Pennisetum clandestinum) using near infrared spectroscopy (NIRS). Samples of P. clandestinum were collected from the district of Florida-Pomacochas, Amazonas, Peru, in three stages of the plant (45, 60 and 75 days after cutting) and two seasons (rainy and dry). The moisture content (H), crude protein (PC), ether extract (EE), crude fibre (FC), ash and gross energy (EB) were determined. The absorbance spectra were obtained in the wavelength range of 1100-2500 nm. Through Matlab 2015ª functions and scripts, complete and optimized prediction models were implemented using neural networks (ANN) and regression by partial least squares (PLSR). The optimized models used 18 relevant wavelengths, determined for both types of models according to the matrix of beta coefficients of the PLSR model. The models PLSR vs ANN, in the validation stage, showed better fit (R2>0.70) in H, PC, EE, ash and EB with an R2 of 0.74, 0.89, 0.79, 0.74 and 0.87, respectively. Therefore, the NIRS-PLSR model has potential in the prediction of the composition of the kikuyo grass (P. clandestinum).

El objetivo de este estudio fue evaluar modelos de predicción de la composición química del pasto kikuyo (Pennisetum clandestinum) usando espectroscopía en el infrarrojo cercano (NIRS). Se recolectaron muestras de P. clandestinum del distrito de FloridaPomacochas, Amazonas, Perú, en tres edades de la planta (45, 60 y 75 días después del corte) y dos épocas del año (lluviosa y seca). Se determinó el contenido de humedad (H), proteína cruda (PC), extracto etéreo (EE), fibra cruda (FC), cenizas y energía bruta (EB). Se obtuvieron los espectros de absorbancia en el rango de longitud de onda de 1100-2500 nm. Mediante funciones y scripts de Matlab 2015ª se implementaron modelos de predicción, completos y optimizados, mediante redes neuronales (ANN) y regresión por mínimos cuadrados parciales (PLSR). Los modelos optimizados usaron 18 longitudes de onda relevantes, determinadas para ambos tipos de modelos de acuerdo a la matriz de beta coeficientes del modelo PLSR. Los modelos PLSR vs ANN, en la etapa de validación, mostraron mejores ajustes (R2>0.70) en H, PC, EE, cenizas y EB con un R2 de 0.74, 0,89, 0.79, 0.74 y 0.87, respectivamente. Por tanto, el modelo NIRS-PLSR tiene potencial en la predicción de la composición del pasto kikuyo (P. clandestinum).