Llevando semántica al viñedo: un enfoque en la detección de troncos de vid basada en aprendizaje profundo
Autores: Aguiar, André Silva; Monteiro, Nuno Namora; Santos, Filipe Neves dos; Solteiro Pires, Eduardo J.; Silva, Daniel; Sousa, Armando Jorge; Boaventura-Cunha, José
Idioma: Inglés
Editor: MDPI
Año: 2021
Acceso abierto
Artículo científico
2021
Llevando semántica al viñedo: un enfoque en la detección de troncos de vid basada en aprendizaje profundo
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Ciencias Agrícolas y Biológicas Generales
Palabras clave
Desarrollo
Soluciones robóticas
Entornos no estructurados
Soluciones de navegación
Entornos agrícolas
Viñedos
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 27
Citaciones: Sin citaciones
El desarrollo de soluciones robóticas en entornos no estructurados presenta varios desafíos, principalmente en el desarrollo de soluciones de navegación seguras y confiables. Los entornos agrícolas son particularmente no estructurados y, por lo tanto, desafiantes para la implementación de la robótica. Un ejemplo de esto son los viñedos de montaña, construidos en colinas de pendiente pronunciada, que se caracterizan por el bloqueo de la señal satelital, irregularidades del terreno, inclinaciones del suelo abruptas, entre otros. Todos estos factores imponen la implementación de algoritmos de navegación precisos y confiables, para que los robots puedan operar de manera segura. Este trabajo propone la detección de puntos de referencia naturales semánticos que se utilizarán en algoritmos de Localización y Mapeo Simultáneos. Por lo tanto, se entrenaron y desplegaron modelos de Aprendizaje Profundo para detectar troncos de viñedos. Como contribuciones significativas, pusimos a disposición un nuevo conjunto de datos de troncos de viñedos, llamado VineSet, que estaba constituido por más de 9000 imágenes y anotaciones respectivas para cada tronco. VineSet se utilizó para entrenar modelos de Detector Multicaja de Disparo Único de última generación. Además, desplegamos estos modelos de forma Edge-AI y logramos una ejecución de alta velocidad de fotogramas. Finalmente, se propuso una herramienta de anotación asistida para facilitar el proceso de construcción del conjunto de datos y mejorar los modelos de forma incremental. Los experimentos muestran que nuestros modelos entrenados pueden detectar troncos con una Precisión Promedio de hasta 84.16% y nuestra herramienta de anotación asistida facilita el proceso de anotación, incluso en otras áreas de la agricultura, como huertos y bosques. Se realizaron experimentos adicionales, donde se evaluó el impacto de la cantidad de datos de entrenamiento y la comparación entre el uso de Transfer Learning y el entrenamiento desde cero. En estos casos, se verificaron algunas suposiciones teóricas.
Descripción
El desarrollo de soluciones robóticas en entornos no estructurados presenta varios desafíos, principalmente en el desarrollo de soluciones de navegación seguras y confiables. Los entornos agrícolas son particularmente no estructurados y, por lo tanto, desafiantes para la implementación de la robótica. Un ejemplo de esto son los viñedos de montaña, construidos en colinas de pendiente pronunciada, que se caracterizan por el bloqueo de la señal satelital, irregularidades del terreno, inclinaciones del suelo abruptas, entre otros. Todos estos factores imponen la implementación de algoritmos de navegación precisos y confiables, para que los robots puedan operar de manera segura. Este trabajo propone la detección de puntos de referencia naturales semánticos que se utilizarán en algoritmos de Localización y Mapeo Simultáneos. Por lo tanto, se entrenaron y desplegaron modelos de Aprendizaje Profundo para detectar troncos de viñedos. Como contribuciones significativas, pusimos a disposición un nuevo conjunto de datos de troncos de viñedos, llamado VineSet, que estaba constituido por más de 9000 imágenes y anotaciones respectivas para cada tronco. VineSet se utilizó para entrenar modelos de Detector Multicaja de Disparo Único de última generación. Además, desplegamos estos modelos de forma Edge-AI y logramos una ejecución de alta velocidad de fotogramas. Finalmente, se propuso una herramienta de anotación asistida para facilitar el proceso de construcción del conjunto de datos y mejorar los modelos de forma incremental. Los experimentos muestran que nuestros modelos entrenados pueden detectar troncos con una Precisión Promedio de hasta 84.16% y nuestra herramienta de anotación asistida facilita el proceso de anotación, incluso en otras áreas de la agricultura, como huertos y bosques. Se realizaron experimentos adicionales, donde se evaluó el impacto de la cantidad de datos de entrenamiento y la comparación entre el uso de Transfer Learning y el entrenamiento desde cero. En estos casos, se verificaron algunas suposiciones teóricas.