AGRICULTURA DIGITAL 68 Como segunda métrica de evaluación se calcula la mAP (mean Average Precision) que es una medida general del rendimiento del modelo al considerar la precisión de sus predicciones para múltiples clases de objetos. Cuanto mayor sea el valor de mAP, mejor será el rendimiento del modelo. En nuestro caso tenemos cinco clases, cuatro malas hierbas y un cultivo. La clase maíz tiene el valor más alto de 0.975 mAP (97.5%), por lo cual, su poder de predicción es mayor que las demás clases. Para las clases de malas hierbas se obtuvieron los siguientes valores de mAP: “mh1“ Lolium perenne 0.851 (85.1%), ”mh2“ Sonchus oleraceus 0.902 (90.2%), ”mh3“ Saolanun nigrum 0.766 (76.6%) y ”mh4” Poa annua 0.720 (72.0%). Para el modelo en general se calcula la media de los mAP de las 5 clases obteniendo un valor de 0.836 (83.6%). Aunque el valor mAP general del modelo (83.6%) sea menor que el de la clase maíz (97.5%), no significa que la CNN sea ineficiente, ya que, si se busca discriminar el maíz de las malas hierbas sin interesar la especie, el modelo es totalmente adecuado para implementar en un sistema de escarda de precisión como los anteriormente mencionados. DESPLIEGUE DE LA CNN YOLOV5S V7.0 EN UNA APLICACIÓN REAL Para el despliegue de la CNN se tomaron imágenes adicionales en diferentes etapas de desarrollo del cultivo (15, 30 y 45 días después de la siembra), se pasaron por el modelo y se compararon con las mismas sin etiquetar para visualizar la clasificación que realiza la CNN. En las Figuras 3, 4 y 5, los valores de los cuadros delimitadores corresponden a las clases, 0: maíz, en color azul, 1: mh1 ( Lolium Perenne) en color verde, 2: mh2 ( Sonchus Oleraceus) en color rojo, 3: mh3 ( Saolanun Nigrum) en color cyan, 4: mh4 ( Poa Annua) en color amarillo. En las Figuras 3 (a) y (b) se observa el cultivo a 15 días después de la siembra, la CNN identifica y clasifica correctamente todas plantas de la imagen. En las Figuras 4 (a) y (b) se observa el cultivo a 30 días de la siembra. La CNN identifica las plantas de maíz correctamente, aunque dentro de un cuadro que delimita la tercera planta de maíz se esconde una mh4 (4-amarillo), esto se debe principalmente a que durante el entrenamiento de la CNN no se presentaron casos similares, una planta detrás de otra, esta situación se podría corregir aumentando la cantidad de imágenes de entrenamiento con este comportamiento. En cuanto a las malas hierbas, la clase mh1 (1-verde) de las 2 plantas presentes el modelo identificó 3, es decir, clasificó una más presentando un caso de falso positivo, identificándola como mh4 (4-amarillo), debido a la similitud entre las hojas (estrechas) de las dos clases hace que puedan ser clasificadas equivocadamente. Para la clase mh4 (4-amarillo), de las 4 plantas presentes 2 se clasificaron correctamente, la tercera fue clasificada correctamente pero también el sistema la clasificó como mh1 (1-verde), corroborando lo mencionado anteriormente. El sistema suele clasificar las malas hierbas de la misma forma como pertenecientes a las dos clases. La cuarta planta mh4 (4-amarillo) no la identificó el modelo, no siendo clasificada, esta fue identificada en el cuadro delimitador del tercer maíz. En las mh2 (2-rojo) el sistema encontró 4 de las 3, clasificando una más, teniendo nuevamente un falso positivo, ocurriendo algo similar a las dos clases anteriores, la forma de la hoja en este caso ancha, el sistema puede clasificarla en las dos categorías. En cuanto a la mh3 (3-cyan) de las 2 presentes el sistema las clasificó correctamente, solo una fue clasificada dos veces. En las Figuras 5 (a) y (b), se observa el cultivo a 45 días después de la siembra donde se aprecian las plantas de maíz clasificadas correctamente. Las nuevas malas hierbas emergentes de la segunda siembra se clasificaron correctamente. s relevante destacar que la CNN Yolov5s v7.0 presenta confusiones entre las hierbas, especialmente entre la mh2 (Sonchus Oleraceus) y la mh3 (Saolanun m), en un 11%, debido a que, en las primeras etapas de desarrollo de las malas s, las hojas de estas especies suelen tener formas similares hojas anchas, ente sucede entre la mh1 (Lolium Perenne) y la mh4 (Poa Annua), se suele dir en un 7%, en este caso sus hojas son estrechas. a 2. Matriz de confusión para las 5 clases del modelo. omo segunda métrica de evaluación se calcula la mAP (mean Average Precision) a medida general del rendimiento del modelo al considerar la precisión de sus ciones para múltiples clases de objetos, en cuanto mayor sea el valor de mAP, será el rendimiento del modelo, en nuestro caso tenemos cinco clases, cuatro hierbas y un cultivo. La clase maíz tiene el valor más alto de 0.975 mAP (97.5%), cual, su poder de predicción es mayor que las demás clases. Para las clases de las hierbas se obtuvieron los siguientes valores de mAP: "mh1" Lolium perenne (85.1%), "mh2" Sonchus oleraceus 0.902 (90.2%), "mh3" Saolanun nigrum 0.766 %) y "mh4" Poa annua 0.720 (72.0%). Para el modelo en general se calcula la de los mAP de las 5 clases obteniendo un valor de 0.836 (83.6%) unque el valor mAP general del modelo (83.6%) sea menor que el de la clase maíz %), no significa que la CNN sea ineficiente, ya que, si se busca discriminar el maíz malas hierbas sin interesar la especie, el modelo es totalmente adecuado para mentar en un sistema de escarda de precisión como los anteriormente onados. Figura 2. Matriz de confusión para las 5 clases del modelo.
RkJQdWJsaXNoZXIy Njg1MjYx