Inteligente gestión de malezas basada en redes neuronales de detección de objetos en cultivos de tomate
Autores: López-Correa, Juan Manuel; Moreno, Hugo; Ribeiro, Angela; Andújar, Dionisio
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Inteligente gestión de malezas basada en redes neuronales de detección de objetos en cultivos de tomate
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Agronomía y Ciencia de los Cultivos
Palabras clave
Tomate
Control de malezas
Visión por computadora
Redes neuronales
RetinaNet
CNNs
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 24
Citaciones: Sin citaciones
Dado que el tomate (L.) es uno de los cultivos más importantes a nivel mundial, y el enfoque convencional para el control de malezas compromete su productividad potencial. Por lo tanto, la detección automática de las especies de malezas más agresivas es necesaria para llevar a cabo un control selectivo de las mismas. La agricultura de precisión asociada con la visión por computadora es una herramienta poderosa para abordar este problema. En los últimos años, los avances en cámaras digitales y redes neuronales han dado lugar a enfoques y tecnologías novedosos en la agricultura de precisión. Las redes neuronales convolucionales (CNN) han mejorado significativamente la precisión y exactitud del proceso de detección de malezas. Para aplicar la pulverización de herbicidas en el lugar, la desmalezadora robótica o el control mecánico preciso de malezas, es necesario identificar las plantas de cultivo y las malezas. Este trabajo evalúa un método novedoso para detectar y clasificar automáticamente, en un solo paso, las especies de malezas más problemáticas de los cultivos de tomate. El procedimiento se basa en redes neuronales de detección de objetos llamadas RetinaNet. Además, se evaluaron también dos modelos actuales de detección de objetos, a saber, YOLOv7 y Faster-RCNN, como una y dos NN de paso, respectivamente, en comparación con RetinaNet. Se entrenaron modelos de CNN en imágenes RGB de malezas monocotiledóneas (L., L., L.) y dicotiledóneas (L., L.). El modelo de predicción se validó con imágenes no utilizadas durante el entrenamiento bajo la métrica de precisión promedio (mAP). RetinaNet tuvo el mejor rendimiento con un AP que oscilaba entre 0.900 y 0.977, dependiendo de la especie de maleza. Faster-RCNN y YOLOv7 también lograron resultados satisfactorios, en términos de mAP, especialmente a través de la ampliación de datos. En contraste con Faster CNN, YOLOv7 fue menos preciso al discriminar especies de malezas monocotiledóneas. Los resultados proporcionan una mejor comprensión de cómo los métodos de identificación de malezas basados en CNN pueden ser más ampliamente aplicables para aplicaciones en tiempo real.
Descripción
Dado que el tomate (L.) es uno de los cultivos más importantes a nivel mundial, y el enfoque convencional para el control de malezas compromete su productividad potencial. Por lo tanto, la detección automática de las especies de malezas más agresivas es necesaria para llevar a cabo un control selectivo de las mismas. La agricultura de precisión asociada con la visión por computadora es una herramienta poderosa para abordar este problema. En los últimos años, los avances en cámaras digitales y redes neuronales han dado lugar a enfoques y tecnologías novedosos en la agricultura de precisión. Las redes neuronales convolucionales (CNN) han mejorado significativamente la precisión y exactitud del proceso de detección de malezas. Para aplicar la pulverización de herbicidas en el lugar, la desmalezadora robótica o el control mecánico preciso de malezas, es necesario identificar las plantas de cultivo y las malezas. Este trabajo evalúa un método novedoso para detectar y clasificar automáticamente, en un solo paso, las especies de malezas más problemáticas de los cultivos de tomate. El procedimiento se basa en redes neuronales de detección de objetos llamadas RetinaNet. Además, se evaluaron también dos modelos actuales de detección de objetos, a saber, YOLOv7 y Faster-RCNN, como una y dos NN de paso, respectivamente, en comparación con RetinaNet. Se entrenaron modelos de CNN en imágenes RGB de malezas monocotiledóneas (L., L., L.) y dicotiledóneas (L., L.). El modelo de predicción se validó con imágenes no utilizadas durante el entrenamiento bajo la métrica de precisión promedio (mAP). RetinaNet tuvo el mejor rendimiento con un AP que oscilaba entre 0.900 y 0.977, dependiendo de la especie de maleza. Faster-RCNN y YOLOv7 también lograron resultados satisfactorios, en términos de mAP, especialmente a través de la ampliación de datos. En contraste con Faster CNN, YOLOv7 fue menos preciso al discriminar especies de malezas monocotiledóneas. Los resultados proporcionan una mejor comprensión de cómo los métodos de identificación de malezas basados en CNN pueden ser más ampliamente aplicables para aplicaciones en tiempo real.