Detección y conteo de plantas de agave mediante aprendizaje profundo en imágenes obtenidas por RPAS

Abstract

Los inventarios de plantas de agave ayudan a monitorear, estimar y planificar la producción. Tradicionalmente el conteo de plantas se ha realizado manualmente, labor que requiere mucho tiempo y es propensa a errores. Actualmente se emplean sistemas de aeronaves pilotadas a distancia (RPAS) para apoyar con información estadística de plantaciones de agave. Por lo que, este trabajo tiene como objetivo detectar y contar plantas de agave en condiciones de campo mediante aprendizaje profundo en imágenes aéreas. Para ello, se capturaron imágenes de alta resolución rojo-verde-azul (RGB) a 40, 60 y 80 m de altura con un RPAS. Se generaron tres ortomosaicos y se usaron para crear la base de datos de plantas de agave. Esta base de datos se utilizó para entrenar dos algoritmos convolucionales: YOLOv4 y YOLOv4-tiny. La evaluación de los algoritmos muestra un valor mean average precision (mAP) de 0.99 para ambos algoritmos y una puntuación F1 de 0.95 para YOLOv4 y de 0.96 para YOLOv4-tiny. Para alturas de 40 y 60 m se obtuvo el 100% de plantas detectadas en ambos algoritmos. Sin embargo, a una altura de 80 m se obtuvo el 96.8% de plantas detectadas con YOLOv4, y el 93.6% con YOLOv4-tiny. La salida de los algoritmos YOLO se utilizó para realizar un cálculo aproximado de la distancia entre plantas detectadas, teniendo un error máximo de 20 cm. Los resultados indican que los algoritmos son robustos, mostrando que es posible detectar y contar agaves en tres alturas de vuelo diferentes. Así mismo, es posible usar la distancia entre plantas de agave calculada para detectar espacios vacíos.