Entrenamiento de la Red Neuronal Convolucional UNET para la Cuantificación Automática de Malezas en Campos de Cultivos de Maíz y/o Papa, Utilizando Imágenes Adquiridas por un Dron

Abstract

En el presente trabajo se ha implementado un modelo basado en redes neuronales convolucionales, específicamente la arquitectura U-Net y sus variaciones, para la segmentación automática de malezas en cultivos agrícolas, utilizando imágenes adquiridas por drones. La investigación parte de la problemática asociada a la cuantificación manual de malezas, un proceso que suele ser subjetivo, laborioso y dependiente de factores como la experiencia del agricultor y las condiciones del terreno. Este proyecto propone una solución automatizada que combina avances tecnológicos en visión por computadora y aprendizaje profundo, con el objetivo de optimizar la precisión y eficiencia en el manejo de cultivos. El modelo se entrenó y evaluó utilizando un conjunto de datos balanceado, que incluye las clases: background (fondo), lengua de vaca (Cow-tongue), diente de león (Dandelion), kikuyo (Kikuyo), otras malezas (Other), y papa (Potato). Se desarrollaron y evaluaron cinco variaciones del modelo U-Net: U-Net original, U-Net Residual, U-Net Doble, MU-Net y U-Net con módulo de atención y bloques residuales. Las imágenes utilizadas fueron sometidas a técnicas de preprocesamiento y aumento de datos para balancear las clases y mejorar la representación de malezas subrepresentadas. Además, se diseñó un conjunto de métricas (Mean Dice Coefficient, Mean IoU y Dice Loss) para evaluar el rendimiento de cada modelo. Los resultados obtenidos destacaron a la U-Net Residual como la mejor variación, con un desempeño óptimo en la segmentación de las clases objetivo. Adicionalmente, se validó la solución mediante una comparativa del tiempo de identificación y cuantificación de malezas, demostrando que el sistema desarrollado reduce significativamente el tiempo necesario en comparación con los métodos manuales tradicionales. Finalmente, se desplegó la arquitectura seleccionada en una API REST dockerizada para facilitar su integración en una aplicación móvil, promoviendo así su adopción práctica en el sector agrícola. Este trabajo constituye un aporte significativo al campo de la agricultura de precisión, demostrando que las redes neuronales convolucionales, combinadas con drones y herramientas tecnológicas, pueden revolucionar el manejo de cultivos, promoviendo prácticas agrícolas más sostenibles y eficientes.