El control efectivo de malezas es crucial en la agricultura para asegurar una alta productividad de los cultivos. Implica la separación cuidadosa de las malezas de los cultivos antes de rociar los herbicidas en los campos.
por la Universidad Agrícola de NanJing
En términos simples, el objetivo del control de malezas es eliminar las malezas y garantizar que el cultivo no se dañe. Los métodos tradicionales de control de malezas tienen varios inconvenientes, como la contaminación de los cultivos, el desperdicio de herbicidas y la poca precisión. Por lo tanto, es esencial desarrollar métodos que puedan ubicar e identificar con precisión el límite entre un cultivo y la maleza e implementar un mejor control de malezas.
Los robots agrícolas programados con ‘segmentación semántica’, un algoritmo de aprendizaje profundo que identifica con precisión diferentes plantas a partir de imágenes capturadas, pueden ofrecer una solución a este problema. Estos robots pueden distinguir automáticamente las malas hierbas de los cultivos y aumentar la eficiencia de la pulverización de herbicidas. Sin embargo, a medida que la cámara captura imágenes de las plantas, la vibración de los robots agrícolas, los cultivos y/o las malas hierbas pueden crear un “desenfoque de movimiento”.
En un nuevo estudio, un equipo de investigación dirigido por el profesor Kang Ryoung Park de la Universidad de Dongguk, Corea, propuso un método que restaura imágenes borrosas por movimiento y mejora la segmentación de cultivos y malezas. Este es el primer estudio que considera el desenfoque de movimiento para la segmentación de cultivos y malezas. Los hallazgos del estudio se publicaron en Plant Phenonomics .
Al compartir la motivación detrás de su estudio, el profesor Park afirma: “El desenfoque por movimiento degrada gravemente la calidad de las imágenes capturadas de cultivos y malezas, lo que reduce la precisión de las tareas de visión de alto nivel. Este estudio propone un método que restaura las imágenes borrosas por movimiento a realizar la segmentación de cultivos y malas hierbas, lo que convierte a este en el primer estudio sobre la segmentación de cultivos y malas hierbas teniendo en cuenta el desenfoque de movimiento “.
El equipo propuso el uso de la “red de atención de campo receptivo amplio” (WRA-Net), un modelo de aprendizaje profundo para restaurar imágenes borrosas por movimiento y mejorar la calidad de la imagen para su posterior procesamiento. La restauración posterior a la imagen, U-Net, una tecnología de segmentación semántica, se utilizó para segregar cultivos y malezas.
WRA-Net consta de un codificador que extrae características útiles de la imagen borrosa y las envía a un decodificador, que luego actualiza la imagen. La función principal del codificador es proporcionar al decodificador características de imagen enriquecidas para refinar y mejorar la calidad de la imagen. Para una restauración efectiva, el método propuesto divide la imagen de entrada en parches en lugar de utilizar toda la imagen a la vez.
El grupo probó el método WRA-Net con tres bases de datos disponibles públicamente: BoniRob, conjunto de datos de imágenes de campos de cultivos/malezas (CWFID) y conjuntos de datos de plántulas de arroz y malezas. También evaluaron la eficiencia de la restauración para comprobar las similitudes entre las imágenes restauradas y las originales. El rendimiento de la segmentación semántica se midió utilizando mIOU (intersección media sobre unión), un parámetro utilizado para evaluar algoritmos de aprendizaje profundo.
En todos los parámetros medidos, WRA-Net superó a las otras bases de datos. Restauró efectivamente imágenes borrosas por movimiento y resultó ser el mejor modelo de segmentación de malezas. Este método también fue más eficiente que los métodos más avanzados en términos de precisión de segmentación.
Los mIOU de las imágenes de prueba restauradas por WRA-Net fueron 0,7741, 0,7444 y 0,7749, en CWFID, BoniRob y la base de datos de plántulas y malezas de arroz, respectivamente. Además, WRA-Net funcionó bien incluso en un sistema integrado (una combinación de un procesador de computadora, memoria de computadora y dispositivos periféricos de entrada/salida) con recursos informáticos limitados.
Entonces, ¿qué sigue para el equipo? “En estudios futuros, investigaríamos sobre el método que utiliza el preprocesamiento para reducir los errores causados por la gran similitud del cultivo y la maleza y el área delgada del objeto. Además, investigaríamos sobre la fusión de características que puede obtener resultados de segmentación semántica altos directamente de la imagen borrosa por movimiento sin realizar dos pasos de restauración y segmentación semántica “, agrega el Prof. Park.
La seguridad alimentaria se está volviendo cada vez más difícil de lograr y se ve afectada por la falta de mano de obra y las atrocidades climáticas. Este método puede ayudar a superar estos problemas y aumentar la productividad de los cultivos.
Más información: Chaeyeong Yun et al, WRA-Net: red de atención de campo receptivo amplio para desenfoque de movimiento en imágenes de cultivos y malezas, Plant Phenomics (2023). DOI: 10.34133/plantafenomics.0031
