Identificación automática de maleza con redes neuronales siamesas
Loading...
Date
2024
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
La aparición de plantas que compiten con un cultivo afecta a su productividad y, por tanto, su erradicación constituye un foco de esfuerzo considerable. Se han desarrollado técnicas de agricultura de precisión para minimizar el uso de agentes químicos potencialmente dañinos y costosos, identificando la presencia de plantas no deseadas mediante sensores electrónicos (generalmente cámaras RGB). Los métodos tradicionales de esta área se basan en el uso de análisis de textura y color de los objetos dentro del espacio de una imagen basados en las relaciones matemáticas entre los píxeles, sin embargo estos métodos pueden llevar un sesgo humano en la selección de dichas características. Un nuevo conjunto de enfoques para la detección de plantas competidoras (y la identificación de objetos en su conjunto) que se ha convertido en el estandar de la industria en los últimos años son los basados en redes neuronales convolucionales (CNN), con el inconveniente de la necesidad de contar con amplios conjuntos de datos para evitar una mala generalización. Este trabajo presenta un enfoque novedoso en dos aspectos: que el clasificador principal para asignar la presencia de plantas no deseadas se entrenó utilizando un enfoque de aprendizaje de one-shot-learning, limitando así la necesidad de un mayor conjunto de imágenes, y en que se utiliza un segundo modelo para la construcción de un mapa de pıxeles detallado para las especies de plantas con geometría menos contenida. Los resultados del algoritmo obtenido son comparables al estado del arte, con una cifra de accuracy promedio del 97.16%, así como una balanced accuracy promedio del 89.94%, al mismo tiempo que ofrecen una solución fácilmente adaptable a diferentes especies de cultivos y malezas.
Description
Tesis (Master of Science in Engineering)--Pontificia Universidad Católica de Chile, 2024
Keywords
Detección de maleza, Detección de objetos, Segmentación semántica, Agricultura de precisión, Redes siamesas convolucionales, Redes neuronales convolucionales