Cuantificación automática de malezas utilizando imágenes adquiridas por un dron en campos de cultivos de maíz y/o papa mediante la red neuronal convolucional ResNet

Abstract

La identificación y cuantificación de malezas es un aspecto muy importante en la agricultura, ya que las personas que se dedican a este oficio deben realizar controles de estas malas hierbas con la finalidad de que sus cultivos presenten las más mínimas consecuencias negativas, las malezas se apoderan de los nutrientes, minerales, espacio físico, luz solar, entre otras cosas, lo cual ocasiona una serie de problemas a los cultivos que van desde baja producción hasta bajos niveles nutricionales. El proceso de identificación y cuantificación de malezas necesita de una alta cantidad de tiempo, el tiempo empleado es directamente proporcional al área del terreno, además influyen otros aspectos, como nivel de conocimiento del agricultor en identificar los tipos de malezas, forma y tipo de superficie del terreno, clima, entre otros, todos estos factores influyen en la cantidad de tiempo empleado para realizar el proceso de identificación y cuantificación de malas hierbas, muchas de las veces no se hace una cuantificación adecuada por los factores antes mencionados, por lo que en la mayoría de ocasiones se omite este proceso y se hace una estimación muy subjetiva, esto conlleva a que las decisiones tomadas para el control de malezas no sean las óptimas ya que los datos no están adecuadamente calculados. El propósito de este proyecto es la creación de una aplicación web que implemente un algoritmo de deep learning para la identificación y cuantificación de malezas utilizando imágenes adquiridas por un dron, esto con el fin de ayudar a minimizar el tiempo que toma realizar esta actividad, con esto se realizaría un identificación y cuantificación correcta ya no de manera subjetiva sino totalmente objetivo lo cual ayudará a tomar mejores decisiones para el control de las malas hierbas. En el capítulo 1 se explica cuáles son las diferencias entre cultivos y malezas, que tipos de malas hierbas existen, cuáles son las propuestas de deep learning para la identificación y cuantificación, que arquitecturas de los algoritmos se están utilizando, cuáles son los mayores restos en esta áreas, que metodologías se usan para este tipo de proyecto, se analizaran trabajos de investigación relacionados para poder tener una perspectiva más amplia, además servirán de base para poder comparar la propuesta de este trabajo, para finalizar se contestaran preguntas de investigación planteadas por el director de este trabajo. En el capítulo 2 se detalla como fue el proceso llevado a cabo para la adquisición de los datos y la elección del algoritmo de deep learning, al igual que las distintas versiones propuestas para mejorar los resultados de predicción del algoritmo, también se explicará cómo se creó la aplicación web y que metodologías se utilizaron para todo el proceso. En el capítulo 3 se hace mucho énfasis en analizar los resultados obtenidos en los entrenamientos de todas las versiones propuestas hasta la elección del mejor modelo para implementarlo en la aplicación web, se evaluará el nivel de portabilidad de la solución tecnológica utilizando las métricas de la ISO 25023 enfocadas a la capacidad de ser instalado, finalmente se utilizará el método estadístico t Student para comprobar que la aplicación web ayuda a disminuir la cantidad de tiempo en realizar la identificación y cuantificación de malezas, y además de comprobar el nivel de confiabilidad. Finalmente, en la discusión se analiza los resultados obtenidos comparándolos con los presentados en otras propuestas de investigación para poder determinar el nivel de semejanza que existe entre estos.