AGRICULTURA DIGITAL 66 es fundamental para el éxito de los sistemas de escarda de precisión, por lo que se emplean frecuentemente. La implementación de las CNN implica una serie de etapas. En primer lugar, se lleva a cabo la preparación de los datos, que incluye la adquisición y etiquetado de imágenes. En segundo lugar, se procede con la selección y configuración de la CNN, lo que implica ajustar los hiperparámetros del modelo. En tercer lugar, se realiza el entrenamiento de la CNN, que generalmente se realiza utilizando unidades gráficas de procesamiento (GPU). Posteriormente, en la cuarta fase, se evalúa el rendimiento del modelo utilizando métricas estándar como la precisión media (mAP) y la matriz de confusión. Finalmente, como quinto paso, el modelo entrenado se despliega en aplicaciones del mundo real para su utilización práctica. A continuación, se ilustra un ejemplo de detección de cuatro tipos de malas hierbas: Lolium perenne, Sonchus oleraceus, Saolanun nigrum y Poa annua en el cultivo de maíz dulce ( Zea mays L.), desarrollado por el Grupo de Investigación ReconocidoTecnologías Avanzadas Aplicadas al Desarrollo Rural Sostenible (TADRUS), de la Escuela Técnica Superior de Ingenierías Agrarias de Palencia de la Universidad de Valladolid. ADQUISICIÓN Y ETIQUETADO DE IMÁGENES Para la adquisición de las imágenes se construyó una estructura móvil en La aplicación de las CNNs para la identificación de malas hierbas se ha incrementado en los últimos años. cuentemente. ra la implementación de las CNN implica una serie de etapas. En primer lugar va a cabo la preparación de los datos, que incluye la adquisición y etiquetado ágenes. En segundo lugar, se procede con la selección y configuración de la CNN e implica ajustar los hiperparámetros del modelo. En tercer lugar, se realiza renamiento de la CNN, que generalmente se realiza utilizando unidades gráficas cesamiento (GPU). Posteriormente, en la cuarta fase, se evalúa el rendimiento delo utilizando métricas estándar como la precisión media (mAP) y la matriz nfusión. Finalmente, como quinto paso, el modelo entrenado se despliega icaciones del mundo real para su utilización práctica. continuación, se ilustra un ejemplo de detección de cuatro tipos de malas hier ium perenne, Sonchus oleraceus, Saolanun nigrum y Poa annua en el cultivo de m ce (Zea mays L.), desarrollado por el Grupo de Investigación Reconocid cnologías Avanzadas Aplicadas al Desarrollo Rural Sostenible (TADRUS), de cuela Técnica Superior de Ingenierías Agrarias de Palencia de la Universidad ladolid. 1. Adquisición y etiquetado de imágenes ra la adquisición de las imágenes se construyó una estructura móvil en alumi bre una cama elevada del invernadero automático del campus de la Yutera ructura permite el movimiento controlado en toda la cama, lo que permite una m ptura de las imágenes para el entrenamiento de la CNN. La estructura soporta tema de visión y el sistema de iluminación, Figura 1. El sistema de visión se comp una cámara réflex Canon 850D con filtro polarizador circular PL-C 58mm. El siste iluminación se construyó con dos lámparas de luz blanca tipo LED de 6000 K, o polarizador de transmisión: 38 % (1,5 f/stop) para evitar los brillos sobre las ho las plantas. Figura 1. Estructura móvil de adquisición de imágenes s imágenes se tomaron en espacio de color RGB con resolución de 6000x4 eles por 35 días, distribuidos desde el momento de la emergencia de la planta Figura 1. Estructura móvil de adquisición de imágenes.
RkJQdWJsaXNoZXIy Njg1MjYx