Mapeo de árboles frutales a partir de imágenes de UAV a lo largo de una temporada de crecimiento: una comparación entre métodos de detección de objetos basados en OBIA y tres métodos de detección de objetos basados en CNN
Autores: Kelly, Maggi; Feirer, Shane; Hogan, Sean; Lyons, Andy; Lin, Fengze; Jacygrad, Ewelina
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Mapeo de árboles frutales a partir de imágenes de UAV a lo largo de una temporada de crecimiento: una comparación entre métodos de detección de objetos basados en OBIA y tres métodos de detección de objetos basados en CNN
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Robótica
Palabras clave
Copas de árboles individuales
Imágenes de alta resolución
Modelos de CNN
Agricultura de precisión
Imágenes de UAV
Gestión de huertos
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
Extraer las formas de las copas de los árboles individuales a partir de imágenes de alta resolución puede desempeñar un papel crucial en muchas aplicaciones, incluida la agricultura de precisión. Evaluamos tres modelos de CNN: MASK R-CNN, YOLOv3 y SAM, y comparamos sus resultados de copas de árboles con conjuntos de datos de referencia basados en OBIA de imágenes de UAV para siete fechas a lo largo de una temporada de crecimiento. Encontramos que YOLOv3 tuvo un rendimiento deficiente en todas las fechas; tanto MASK R-CNN como SAM tuvieron un buen desempeño en mayo, junio, septiembre y noviembre (precisión, recuperación y puntuaciones F1 superiores a 0.79). Todos los modelos tuvieron dificultades en las imágenes de principios de temporada (por ejemplo, marzo). MASK R-CNN superó a otros modelos en agosto (cuando había neblina de humo) y diciembre (mostrando variación de color de las hojas al final de la temporada). SAM fue el modelo más rápido y, al no requerir entrenamiento, pudo cubrir más área en menos tiempo; MASK R-CNN fue muy preciso y personalizable. En este artículo, nuestro objetivo fue contribuir con información sobre qué modelo de CNN ofrece el mejor equilibrio entre precisión y facilidad de implementación para tareas de gestión de huertos. También evaluamos su aplicabilidad dentro de un ecosistema de software, ESRI ArcGIS Pro, y mostramos cómo tal enfoque ofrece a los usuarios una forma eficiente y simplificada de detectar objetos en imágenes de UAV de alta resolución.
Descripción
Extraer las formas de las copas de los árboles individuales a partir de imágenes de alta resolución puede desempeñar un papel crucial en muchas aplicaciones, incluida la agricultura de precisión. Evaluamos tres modelos de CNN: MASK R-CNN, YOLOv3 y SAM, y comparamos sus resultados de copas de árboles con conjuntos de datos de referencia basados en OBIA de imágenes de UAV para siete fechas a lo largo de una temporada de crecimiento. Encontramos que YOLOv3 tuvo un rendimiento deficiente en todas las fechas; tanto MASK R-CNN como SAM tuvieron un buen desempeño en mayo, junio, septiembre y noviembre (precisión, recuperación y puntuaciones F1 superiores a 0.79). Todos los modelos tuvieron dificultades en las imágenes de principios de temporada (por ejemplo, marzo). MASK R-CNN superó a otros modelos en agosto (cuando había neblina de humo) y diciembre (mostrando variación de color de las hojas al final de la temporada). SAM fue el modelo más rápido y, al no requerir entrenamiento, pudo cubrir más área en menos tiempo; MASK R-CNN fue muy preciso y personalizable. En este artículo, nuestro objetivo fue contribuir con información sobre qué modelo de CNN ofrece el mejor equilibrio entre precisión y facilidad de implementación para tareas de gestión de huertos. También evaluamos su aplicabilidad dentro de un ecosistema de software, ESRI ArcGIS Pro, y mostramos cómo tal enfoque ofrece a los usuarios una forma eficiente y simplificada de detectar objetos en imágenes de UAV de alta resolución.