Detección de malezas por modelo Faster RCNN: un enfoque mejorado de caja de anclaje
Autores: Saleem, Muhammad Hammad; Potgieter, Johan; Arif, Khalid Mahmood
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Detección de malezas por modelo Faster RCNN: un enfoque mejorado de caja de anclaje
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Agronomía y Ciencia de los Cultivos
Palabras clave
Tratamientos de control de malezas
Aprendizaje profundo
Precisión promedio
Metodología basada en DL
Red Neuronal Convolucional Basada en Regiones más Rápida
Cajas de anclaje
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 34
Citaciones: Sin citaciones
Para aplicar tratamientos de control de malezas de manera efectiva, las malezas deben ser detectadas con precisión. El aprendizaje profundo (DL) ha tenido bastante éxito en realizar la tarea de identificación de malezas. Sin embargo, varios aspectos del DL no han sido explorados en estudios anteriores. Esta investigación tuvo como objetivo lograr una alta precisión promedio (AP) de ocho clases de malezas y una clase negativa (no maleza), utilizando el conjunto de datos DeepWeeds. En este sentido, se ha propuesto una metodología de dos pasos basada en DL. Este artículo es la segunda etapa de la investigación, mientras que la primera etapa ya ha sido publicada. La fase anterior presentó un pipeline de detección de malezas y consistió en la evaluación de varias redes neuronales, redimensionadores de imágenes y técnicas de optimización de pesos. Aunque se logró una mejora significativa en la precisión promedio (mAP). Sin embargo, la maleza de manzana Chinee no alcanzó una alta precisión promedio. Este resultado proporcionó una base sólida para la siguiente etapa del estudio. Por lo tanto, este documento presenta un análisis en profundidad de la Red Neuronal Convolucional basada en Regiones más Rápidas (RCNN) con ResNet-101, el modelo mejor obtenido en el paso anterior. Los detalles arquitectónicos del modelo Faster RCNN han sido estudiados minuciosamente para investigar cada clase de malezas. Se encontró empíricamente que la generación de cajas de anclaje afecta el rendimiento de entrenamiento y prueba del modelo Faster RCNN. Se intentó una mejora en las escalas y relaciones de aspecto de las cajas de anclaje mediante varias combinaciones. Los resultados finales, con la adición de un tamaño de escala de 64 x 64 y una relación de aspecto de 1:3 y 3:1, produjeron la mejor clasificación y localización de todas las clases de malezas y una clase negativa. Se obtuvo una mejora del 24.95% en la AP de la maleza de manzana Chinee. Además, el mAP se mejoró en un 2.58%. La robustez del enfoque ha sido demostrada por la técnica de validación cruzada k-fold estratificada y la prueba en un conjunto de datos externo.
Descripción
Para aplicar tratamientos de control de malezas de manera efectiva, las malezas deben ser detectadas con precisión. El aprendizaje profundo (DL) ha tenido bastante éxito en realizar la tarea de identificación de malezas. Sin embargo, varios aspectos del DL no han sido explorados en estudios anteriores. Esta investigación tuvo como objetivo lograr una alta precisión promedio (AP) de ocho clases de malezas y una clase negativa (no maleza), utilizando el conjunto de datos DeepWeeds. En este sentido, se ha propuesto una metodología de dos pasos basada en DL. Este artículo es la segunda etapa de la investigación, mientras que la primera etapa ya ha sido publicada. La fase anterior presentó un pipeline de detección de malezas y consistió en la evaluación de varias redes neuronales, redimensionadores de imágenes y técnicas de optimización de pesos. Aunque se logró una mejora significativa en la precisión promedio (mAP). Sin embargo, la maleza de manzana Chinee no alcanzó una alta precisión promedio. Este resultado proporcionó una base sólida para la siguiente etapa del estudio. Por lo tanto, este documento presenta un análisis en profundidad de la Red Neuronal Convolucional basada en Regiones más Rápidas (RCNN) con ResNet-101, el modelo mejor obtenido en el paso anterior. Los detalles arquitectónicos del modelo Faster RCNN han sido estudiados minuciosamente para investigar cada clase de malezas. Se encontró empíricamente que la generación de cajas de anclaje afecta el rendimiento de entrenamiento y prueba del modelo Faster RCNN. Se intentó una mejora en las escalas y relaciones de aspecto de las cajas de anclaje mediante varias combinaciones. Los resultados finales, con la adición de un tamaño de escala de 64 x 64 y una relación de aspecto de 1:3 y 3:1, produjeron la mejor clasificación y localización de todas las clases de malezas y una clase negativa. Se obtuvo una mejora del 24.95% en la AP de la maleza de manzana Chinee. Además, el mAP se mejoró en un 2.58%. La robustez del enfoque ha sido demostrada por la técnica de validación cruzada k-fold estratificada y la prueba en un conjunto de datos externo.