Cuantificación automática de malas hierbas en cultivos de patata basada en una red neuronal convolucional modificada utilizando imágenes de drones

Abstract

Identificar y cuantificar las malas hierbas es un aspecto crucial de la agricultura para controlarlas eficazmente. Las malas hierbas compiten con el cultivo por los nutrientes, los minerales, el espacio físico, la luz solar y el agua, causando problemas en los cultivos que van desde la baja producción hasta pérdidas económicas y el deterioro medioambiental de la tierra. La cuantificación de las malas hierbas suele ser un proceso manual que requiere mucho tiempo y precisión. Las redes neuronales convolucionales (CNN) son muy comunes en la cuantificación de malas hierbas. Así, el propósito de esta investigación es la adaptación de la arquitectura CNN ResNeXt50 para tareas de segmentación semántica, enfocada a la cuantificación automática de malas hierbas (Broadleaf dock, Dandelion, Kikuyo grass, y otras clases no identificadas) en campos de patatas utilizando imágenes RGB adquiridas por el dron DJI Mavic 2 Pro. El modelo analítico se entrenó siguiendo la metodología Knowledge Discovery in Databases (KDD) utilizando Python y los frameworks TensorFlow-Keras. Los resultados indican que el modelo ResNeXt50 modificado presentó un IoU medio de 0,7350, un rendimiento comparable a los valores reportados por otros autores considerando menos clases de maleza. Se aplicaron la prueba t de Student y el coeficiente de correlación de Pearson para contrastar la cobertura de maleza a partir de las predicciones del modelo y la verdad sobre el terreno, indicando que no había diferencias estadísticamente significativas entre ambas mediciones en la mayoría de las clases de maleza.