Drones y aprendizaje profundo: Investigadores desarrollan una nueva técnica para cuantificar la producción de arroz


El arroz, un importante cultivo alimentario, se cultiva en casi 162 millones de hectáreas de tierra en todo el mundo. Uno de los métodos más utilizados para cuantificar la producción de arroz es el conteo de plantas de arroz. 


por la Universidad Agrícola de NanJing


Esta técnica se utiliza para estimar el rendimiento, diagnosticar el crecimiento y evaluar las pérdidas en los arrozales. La mayoría de los procesos de conteo de arroz en todo el mundo todavía se realizan manualmente. Sin embargo, esto es extremadamente tedioso, laborioso y requiere mucho tiempo, lo que indica la necesidad de soluciones basadas en máquinas más rápidas y eficientes.

Investigadores de China y Singapur han desarrollado recientemente un método para reemplazar el conteo manual de arroz con un método mucho más sofisticado, que involucra el uso de vehículos aéreos no tripulados (UAV) o drones.

Según el profesor Jianguo Yao de la Universidad de Correos y Telecomunicaciones de Nanjing en China, quien dirigió el estudio, “La nueva técnica utiliza vehículos aéreos no tripulados para capturar imágenes RGB, imágenes compuestas principalmente con luz roja, verde y azul, del campo de arroz. Estas imágenes luego se procesan utilizando una red de aprendizaje profundo que hemos desarrollado, llamada RiceNet, que puede identificar con precisión la densidad de las plantas de arroz en el campo, así como proporcionar características semánticas de mayor nivel, como la ubicación y el tamaño del cultivo”.

Su artículo ha sido publicado Plant Phenonomics .

La arquitectura de la red RiceNet consta de un extractor de características, en la parte delantera, que analiza las imágenes de entrada, y tres módulos decodificadores de características que son responsables de estimar la densidad de plantas en el arrozal, la ubicación de las plantas en el arrozal y el tamaño de las plantas, respectivamente. Las dos últimas características son particularmente importantes para futuras investigaciones sobre técnicas de manejo automatizado de cultivos, como la aplicación de fertilizantes.

Como parte del estudio, el equipo de investigación desplegó un UAV equipado con una cámara sobre campos de arroz en la ciudad china de Nanchang y posteriormente analizó los datos adquiridos utilizando una técnica sofisticada de análisis de imágenes . A continuación, los investigadores emplearon un conjunto de datos de entrenamiento y un conjunto de datos de prueba. El primero se usó como referencia para entrenar el sistema y el segundo se usó para validar los hallazgos analíticos.

Más específicamente, de las 355 imágenes con 257 793 puntos etiquetados manualmente, 246 se seleccionaron al azar y se usaron como imágenes de entrenamiento, mientras que las 109 restantes se usaron como imágenes de prueba. Cada imagen contenía un promedio de 726 plantas de arroz.

Según el equipo, la técnica RiceNet utilizada para el análisis de imágenes tiene una buena relación señal-ruido. En otras palabras, es capaz de distinguir eficientemente las plantas de arroz del fondo, mejorando así la calidad de los mapas de densidad de plantas generados.

Los resultados del estudio mostraron que el error absoluto medio y el error cuadrático medio de la técnica RiceNet fueron 8,6 y 11,2, respectivamente. En otras palabras, los mapas de densidad generados con RiceNet coincidían con los generados con métodos manuales.

Además, según sus observaciones, el equipo también compartió algunas recomendaciones clave. Por ejemplo, el equipo no recomienda adquirir imágenes en días lluviosos. También sugiere recopilar imágenes basadas en UAV dentro de un período de 4 horas después del amanecer, para minimizar el tiempo de niebla y la aparición de rizos de hojas de arroz, los cuales afectan negativamente la calidad de salida.

“Además de esto, validamos aún más el rendimiento de nuestra técnica utilizando otros dos conjuntos de datos de cultivos populares. Los resultados mostraron que nuestro método supera significativamente a otras técnicas de vanguardia. Esto subraya el potencial de RiceNet para reemplazar el método tradicional del conteo manual de arroz”, concluye el profesor Yao.

RiceNet allana aún más el camino hacia otras técnicas de análisis de cultivos basadas en UAV y aprendizaje profundo, que a su vez pueden guiar decisiones y estrategias para mejorar la producción de alimentos y cultivos comerciales en todo el mundo.

Más información: Xiaodong Bai et al, Método de recuento, localización y dimensionamiento de plantas de arroz basado en imágenes RGB de UAV de alto rendimiento, Plant Phenomics (2022). DOI: 10.34133/plantafenomics.0020