Metodología para la estimación de carga de un cultivo utilizando imágenes y redes neuronales profundas

Autor: Cardona Gil, Willington Farid
Přispěvatelé: Holguín Londoño, Germán Andrés
Jazyk: Spanish; Castilian
Rok vydání: 2022
Předmět:
Zdroj: Repositorio Institucional UTP
Universidad Tecnológica de Pereira
instacron:Universidad Tecnológica de Pereira
Popis: Se desarrolla una metodología para la estimación de carga de un cultivo utilizando imágenes y redes neuronales profundas, la cual es validada en una base de datos de aguacates recolectada. La metodología propuesta se divide en dos etapas. La primera etapa consiste en la segmentación semántica de las imágenes, para lo cual se presentan tres arquitecturas de redes neuronales. Se utiliza U-Net que es un arquitectura del estado del arte, y dos arquitecturas propuestas basadas en U-Net, con algunas modificaciones, aprovechando la transferencia de conocimiento de redes pre entrenadas. Para la segunda etapa se realiza el conteo de los frutos, realizando una comparación entre una técnica clásica de visión por computador y dos arquitecturas de redes de aprendizaje profundo propuestas. Posteriormente se realiza una integración de las etapas, para obtener como resultado la estimación de carga del cultivo. A methodology for crop load estimation using images and deep neural networks is developed, which is validated in a collected avocado database. The proposed methodology is divided into two stages. The first stage consists of the semantic segmentation of the images, for which three neural network architectures are presented. U-Net is used, which is a state of-the-art architecture, and two proposed architectures based on U-Net, with some modifications, taking advantage of the knowledge transfer of pre-trained networks. For the second stage, the counting of the fruits is carried out, making a comparison between a classic computer vision technique and two proposed deep learning network architectures. Subsequently, an integration of the stages is carried out, to obtain the crop load estimation as a result. Maestría Magíster en Ingeniería Eléctrica CONTENIDO pág. 1. INTRODUCCIÓN 13 1.1. Definición del problema . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.2. Justificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 1.3. Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 1.3.1. Objetivo General . . . . . . . . . . . . . . . . . . . . . . . . . . 17 1.3.2. Objetivos Específicos . . . . . . . . . . . . . . . . . . . . . . . . 17 2. MARCO TEÓRICO 19 2.1. Agricultura de precisión . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.2. Rendimiento del cultivo . . . . . . . . . . . . . . . . . . . . . . . . . . 20 2.3. Transformada circular de Hough . . . . . . . . . . . . . . . . . . . . . . 21 2.4. Aprendizaje profundo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 2.4.1. VGG16 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2.4.2. DeepLab V3+ . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2.5. Data Augmentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 2.6. Dropout . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 2.7. Rectified Linear Unit (ReLU) . . . . . . . . . . . . . . . . . . . . . . . 27 2.8. HE Xavier Initializer . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 3 3. BASES DE DATOS PARA LA ESTIMACIÓN DE CARGA DE UN CULTIVO 29 3.1. Base de datos MangoNet . . . . . . . . . . . . . . . . . . . . . . . . . 29 3.2. Construcción base de datos para segmentación semántica . . . . . . . . 30 3.2.1. Captura de imágenes . . . . . . . . . . . . . . . . . . . . . . . . 31 3.2.2. Anotación base de datos para segmentación semántica . . . . . 31 4. METODOLOGÍA PARA LA IDENTIFICACIÓN DE FRUTOS EN IMÁGENES DE CULTIVOS 35 4.1. Preparación de los datos . . . . . . . . . . . . . . . . . . . . . . . . . . 35 4.2. Identificación de frutos . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 4.3. Métricas de rendimiento . . . . . . . . . . . . . . . . . . . . . . . . . . 40 4.3.1. Precision . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 4.3.2. Recall . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 4.3.3. F1 Score . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 4.3.4. Intersection over Union . . . . . . . . . . . . . . . . . . . . . . 41 4.3.5. Mean absolute error(MAE) y Mean squared error(MSE) . . . . 44 5. METODOLOGÍA PARA LA ESTIMACIÓN DE CARGA DE UN CULTIVO A PARTIR DE IMÁGENES 45 5.1. Conteo de frutos segmentados . . . . . . . . . . . . . . . . . . . . . . . 45 5.1.1. Conteo mediante etiquetado de componentes conectados (Con nected Component Labeling - CCL . . . . . . . . . . . . . 46 4 5.1.2. Conteo mediante redes neuronales . . . . . . . . . . . . . . . . 47 5.2. Agrupación conteo de frutos . . . . . . . . . . . . . . . . . . . . . . . . 49 5.3. Estimación de carga . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50 6. ANÁLISIS Y RESULTADOS 55 6.1. Construcción de base de datos para segmentación semántica . . . . . . 55 6.2. Anotación base de datos semántica . . . . . . . . . . . . . . . . . . . . 57 6.3. Características de Google Colab . . . . . . . . . . . . . . . . . . . . . 59 6.4. Segmentación semántica . . . . . . . . . . . . . . . . . . . . . . . . . . 60 6.4.1. Generación de datos aumentados . . . . . . . . . . . . . . . . . 60 6.4.2. Transferencia de conocimiento . . . . . . . . . . . . . . . . . . 62 6.4.3. Entrenamiento de modelos de segmentación semántica . . . . . 63 6.4.4. Rendimiento de modelos . . . . . . . . . . . . . . . . . . . . . . 65 6.5. Conteo segmentación . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70 7. CONCLUSIONES Y RECOMENDACIONES 77 BIBLIOGRAFÍA 80
Databáze: OpenAIRE
Externí odkaz: