L'efecte del pH i del sistema de cultiu en el creixement de plantes de raves (Raphanus sativus L. )

Treball de recerca realitzat per un alumne d’ensenyament secundari i guardonat amb un Premi CIRIT per fomentar l'esperit científic del Jovent l’any 2008. Es pretén determinar quina influència exerceix el pH i el mètode de cultiu en el creixement i desenvolupament de les plantes de rave. S’han estudiat sis objectius concrets. Primerament, la influència del pH en el creixement de plantes de rave. Segonament, comparar dos sistemes de cultiu hidropònics: amb aigua i amb perlita. Tercerament, determinar la rendibilitat econòmica de cada sistema segons els costos i els resultats obtinguts. En quart lloc, avaluar la possibilitat d’emprar aquests mètodes a major escala i com alternativa al cultiu tradicional al sòl. En cinquè lloc, estudiar per microscòpia electrònica de rastreig els diferents epitelis de la planta. I, finalment, estudiar com afectaria el fenomen de la pluja àcida, mitjançant l’observació de l’efecte de pH àcids en el creixement de la planta.

Scene classifier for real time road detection

L’objectiu principal del projecte és el de classificar escenes de carretera en funció del contingut de les imatges per així poder fer un desglossament sobre quin tipus de situació tenim en el moment. És important que fixem els paràmetres necessaris en funció de l’escenari en què ens trobem per tal de treure el màxim rendiment possible a cada un dels algoritmes. La seva funcionalitat doncs, ha de ser la d’avís i suport davant els diferents escenaris de conducció. És a dir, el resultat final ha de contenir un algoritme o aplicació capaç de classificar les imatges d’entrada en diferents tipus amb la màxima eficiència espacial i temporal possible. L’algoritme haurà de classificar les imatges en diferents escenaris. Els algoritmes hauran de ser parametritzables i fàcilment manejables per l’usuari. L’eina utilitzada per aconseguir aquests objectius serà el MATLAB amb les toolboxs de visió i xarxes neuronals instal·lades.

Intestinal content detection in capsule endoscopy using robust features

This work covers two aspects. First, it generally compares and summarizes the similarities and differences of state of the art feature detector and descriptor and second it presents a novel approach of detecting intestinal content (in particular bubbles) in capsule endoscopy images. Feature detectors and descriptors providing invariance to change of perspective, scale, signal-noise-ratio and lighting conditions are important and interesting topics in current research and the number of possible applications seems to be numberless. After analysing a selection of in the literature presented approaches, this work investigates in their suitability for applications information extraction in capsule endoscopy images. Eventually, a very good performing detector of intestinal content in capsule endoscopy images is presented. A accurate detection of intestinal content is crucial for all kinds of machine learning approaches and other analysis on capsule endoscopy studies because they occlude the field of view of the capsule camera and therefore those frames need to be excluded from analysis. As a so called “byproduct” of this investigation a graphical user interface supported Feature Analysis Tool is presented to execute and compare the discussed feature detectors and descriptor on arbitrary images, with configurable parameters and visualized their output. As well the presented bubble classifier is part of this tool and if a ground truth is available (or can also be generated using this tool) a detailed visualization of the validation result will be performed.

Evaluation of detection methods for Virus, Viroids and Phytoplasmas affecting pear and apple

The RT-PCR technique for the detection of apple stem grooving virus (ASGV), apple stem pitting virus (ASPV), apple chlorotic leaf spot virus (ACLSV), apple mosaic virus (ApMV) and pear blister canker viroid (PBCV) was evaluated for health control of fruit plants from nurseries. The technique was evaluated in purified RNA and crude extracts and also in phloem collected in autumn and from young spring shoots. The results obtained for phytoplasma detection with ribosomal and non-ribosomal primers are also presented.