Detección de malas hierbas basada en aprendizaje profundo a partir de imágenes de UAV: una revisión

Abstract

Las malas hierbas son plantas indeseables que compiten con los cultivos por recursos esenciales como la luz, el suelo, el agua y los nutrientes. Además, pueden albergar plagas que reducen el rendimiento de los cultivos. En la agricultura tradicional, el control de malas hierbas se basa en la aplicación de pesticidas en todo el campo agrícola, lo que provoca daños en el suelo, contaminación ambiental, afectación de los productos agrícolas y riesgos para la salud humana. La agricultura de precisión (AP) ha evolucionado en los últimos años gracias a sensores, hardware, software y avances en los sistemas de vehículos aéreos no tripulados (UAV). Estos sistemas tienen como objetivo mejorar la aplicación localizada de productos químicos para el control de malas hierbas mediante el uso de técnicas avanzadas de análisis de imágenes, visión por computador, aprendizaje profundo (DL) y geolocalización (GPS) para detectar y reconocer malas hierbas. Esto, a su vez, facilita la implementación de mecanismos de control específicos en entornos reales. Recientemente, se han desarrollado técnicas automáticas de detección de malas hierbas utilizando imágenes adquiridas por UAV. Sin embargo, estas técnicas enfrentan un desafío significativo debido a las similitudes morfológicas entre las malas hierbas y los cultivos, como el color, la forma y la textura, lo que dificulta su diferenciación práctica y efectiva y su implementación. Este artículo presenta una revisión sistemática de la literatura (SLR) basada en 77 estudios recientes y relevantes sobre la detección y clasificación de malas hierbas en imágenes de UAV utilizando arquitecturas de aprendizaje profundo. El análisis se centra en aspectos clave como el uso de UAV y sensores, la adquisición y el procesamiento de imágenes, las arquitecturas de DL y las métricas de evaluación. La revisión abarca publicaciones desde 2017 hasta junio de 2024 procedentes de las bases de datos WoS, Scopus, ScienceDirect, SpringerLink e IEEE Xplore. Los resultados permitieron identificar diversas limitaciones, tendencias, brechas y oportunidades para futuras investigaciones. En general, se observa un uso predominante de UAV multirrotor, en particular el DJI Phantom con sensores RGB, así como una tendencia hacia la integración de múltiples sensores (multiespectrales, LiDAR) operando a alturas cercanas a los 10 metros, lo que proporciona una buena cobertura espacial en la adquisición de datos. Asimismo, el rápido desarrollo de las arquitecturas de aprendizaje profundo ha impulsado modelos CNN como ResNet para clasificación, YOLO para detección, U-Net para segmentación semántica y Mask R-CNN para la segmentación de instancias de malas hierbas, con una tendencia hacia nuevas arquitecturas basadas en Transformers e híbridas. Las métricas más comunes utilizadas para evaluar estos modelos incluyen precisión, recall, F1-Score y mAP.