AGRICULTURA DIGITAL 69 CONCLUSIÓN Como conclusión general de este estudio, la CNN YOLOv5s es una alternativa como método de identificación de malas hierbas en el cultivo de maíz, el cual podría ser integrado en cualquier sistema de escarda de precisión. Sin embargo, es necesario seguir alimentando el modelo con imágenes de nuevas campañas y enriquecer el conjunto de imágenes de entrenamiento con todas las posibles 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. (a) (b) Figura 3. (a) Imagen sin procesar del cultivo a 15 días. (b) Imagen procesada del cultivo a 15 días después de la siembra. después de la siembra. 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 delimitar de la tercera planta de maíz, se esconde una mh4 (4-amarillo), esto se debe principalmente a 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. (a) (b) Figura 4. (a) Imagen sin procesar del cultivo a 30 días después de la siembra. (b) Imagen procesada del cultivo a 30 días después de la siembra. En cuanto a las malas hierbas, la clase mh1 (1-verde) de las 2 plantas presentes el modelo identificó 3, es decir clasifico una más, presentado un caso de falso positivo, identificándola como mh4 (4-amarillo), la similitud entre las hojas (estrechas) de las dos clases hace que puede ser clasificadas equivocadamente. Para la clase mh4 (4amarillo), de las 4 plantas presentes 2 se clasificaron correctamente, la tercera fue clasificada correctamente pero también el sistema la clasifico como mh1 (1-verde), corroborando lo mencionado anteriormente, las malas hierbas de la misma forma el Figura 3. (a) Imagen sin procesar del cultivo a 15 días después de la siembra. (b) Imagen procesada del cultivo a 15 días después de la siembra. (a) (b) Figura 3. (a) Imagen sin procesar del cultivo a 15 días. (b) Imagen procesada del cultivo a 15 días después de la siembra. después de la siembra. 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 delimitar de la tercera planta de maíz, se esconde una mh4 (4-amarillo), esto se debe principalmente a 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. (a) (b) Figura 4. (a) Imagen sin procesar del cultivo a 30 días después de la siembra. (b) Imagen procesada del cultivo a 30 días después de la siembra. En cuanto a las malas hierbas, la clase mh1 (1-verde) de las 2 plantas presentes el modelo identificó 3, es decir clasifico una más, presentado un caso de falso positivo, identificándola como mh4 (4-amarillo), la similitud entre las hojas (estrechas) de las dos clases hace que puede ser clasificadas equivocadamente. Para la clase mh4 (4amarillo), de las 4 plantas presentes 2 se clasificaron correctamente, la tercera fue clasificada correctamente pero también el sistema la clasifico como mh1 (1-verde), corroborando lo mencionado anteriormente, las malas hierbas de la misma forma el Figura 4. (a) Imagen sin procesar del cultivo a 30 días después de la siembra. (b) Imagen procesada del cultivo a 30 días después de la siembra. variaciones lumínicas, y condiciones de campo, para que en el momento de la implantación se obtenga una mayor precisión. Aunque el mAP general del modelo tenga un 83.6%, esto no indica que la CNN sea ineficiente, por el contrario, si el objetivo es identificar y proteger el maíz, eliminando cualquier planta que no sea maíz, el modelo resulta altamente eficiente con un 97.5%. En este caso, el sistema de escarda de precisión eliminaría todas las malas hierbas, indepedientemente de su especie, preservando únicamente las plantas de maíz. n sistema suele clasificarlas como pertenecientes a las dos clases. La cuarta planta mh4 (4-amarillo) no la identifico 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 sembradas, 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 clasifico 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, se aprecia las plantas de maíz clasificadas correctamente. Las nuevas malas hierbas emergentes de la segunda siembra se clasificaron correctamente. (a) (b) Figura 5. (a) Imagen sin procesar del cultivo a 45 días después de la siembra. (b) Imagen procesada del cultivo a 45 días después de la siembra. Como conclusión general de este estudio, la CNN YOLOv5s es una alternativa como método de identificación de malas hierbas en el cultivo de maíz, el cual, podría ser integrado a cualquier sistema de escarda de precisión, sin embargo, es necesario seguir alimentando el modelo con imágenes de nuevas campañas y enriquecer el conjunto de imágenes de entrenamiento con todas las posibles variaciones lumínicas, y condiciones de campo, para que en el momento de la implantación se obtenga una mayor precisión. Aunque el mAP general del modelo tenga un 83.6%, esto no indica que la CNN sea ineficiente, por el contrario, si el objetivo es identificar y proteger el maíz, eliminando cualquier planta que no sea maíz, el modelo resulta altamente eficiente con un 97.5%. En este caso, el sistema de escarda de precisión eliminaría todas las malas hierbas, independientemente de su especie, preservando únicamente las plantas de maíz. G Figura 5. (a) Imagen sin procesar del cultivo a 45 días después de la siembra. (b) Imagen procesada del cultivo a 45 días después de la siembra. Las referencias de este artículo pueden consultarse en: www.interempresas.net/a542530
RkJQdWJsaXNoZXIy Njg1MjYx