Densidad de plantas de maíz en presencia de maleza con redes neuronales profundas

Abstract

La densidad de población de un cultivo se puede cuantificar mediante detección y el conteo remoto de plantas y está directamente correlacionado al rendimiento del cultivo. La obtención precisa de esta información ayuda a los agricultores a gestionar y controlar su producción. Sin embargo, las metodologías basadas en imágenes aéreas aún son un reto, debido a la complejidad de las condiciones del campo. En este contexto, se propuso el establecimiento de una base de datos que contiene imágenes aéreas del cultivo de maíz con malezas con el objetivo de implementar y evaluar la robustez de algoritmos de aprendizaje profundo para la detección y conteo de plantas de maíz en tales condiciones. Se realizaron diez misiones de vuelo, seis con una distancia de muestreo en tierra (GSD) de 0.33 cm/píxel en etapas vegetativas de V3 a V7 y cuatro con un GSD de 1.00 cm/píxel para etapas vegetativas V6, V7 y V8. Los detectores comparados fueron YOLOv4, YOLOv4 Tiny, YOLOv4 Tiny 3L, y las versiones de YOLOv5 s, m y l. Se evaluó cada detector en umbrales de intersección sobre la unión (IoU) de 0.25, 0.50 y 0.75 en intervalos de confianza de 0.05. Para niveles de confianza superiores a 0.35, YOLOv4 mostró mayor robustez en la detección ante los demás modelos. Considerando la moda de 0.3 para la confianza que maximiza la métrica F1 y el umbral IoU de 0.25 en todos los modelos, YOLOv5s obtuvo una precisión media promedio (mAP) de 73.1 % con una correlación R2 de 0.78 y raíz del error cuadrático medio relativo (rRMSE) de 42 % en el conteo de plantas, seguido de YOLOv4 con mAP de 72.0 %, R2 de 0.81 y rRMSE de 39.5 %. Las detecciones más bajas en todos los detectores se obtuvieron al evaluar las etapas vegetativas V6, V7 y V8 con GSD de 1.00 cm/píxel.