Mejoras en técnicas agrícolas mediante Computer Vision

Machine Learning & Deep Learning

,

Rhinno

,

Computer Vision

Mejoras en técnicas agrícolas mediante Computer Vision

Javier Napolitano | oct 16, 2020

Si vamos a la despensa de nuestra casa es probable que encontremos varios productos cuyo origen sea el trigo. Desde la típica tostada hasta el cereal matutino, gran parte de los alimentos que se encuentran en nuestros hogares dependen de este cereal. Su popularidad como alimento y cultivo hace que sea ampliamente estudiado en una gran variedad de campos. A partir de esto, para obtener una gran cantidad de datos precisos sobre los campos de trigo en todo el mundo, los científicos de las plantas utilizan la detección de imágenes de "las cabezas del trigo", es decir, las puntas de la planta que contiene el grano. Estas imágenes se utilizan para estimar la densidad y el tamaño de las cabezas de trigo en diferentes variedades. Los agricultores pueden utilizar los datos para evaluar la salud y la madurez y tomar decisiones de gestión en sus campos de cultivos.

Captura de pantalla 2020-10-15 a las 18.47.40

Sin embargo, realizar una detección precisa de las cabezas del trigo en las imágenes de campos al aire libre, puede ser un gran desafío visual. A menudo hay superposición de ramas de trigo densas. Además, el viento puede emborronar las fotografías. Estos aspectos dificultan la identificación de las cabezas individuales. A esto se suma que el aspecto del trigo varía mucho debido al estado de madurez del mismo: el color, el genotipo y la orientación de las cabezas. Por último, como el trigo se cultiva en todo el mundo, se deben considerar las diferentes variedades, densidades, patrones y condiciones de la plantación. Los modelos desarrollados para el fenotipado del trigo, deben generalizarse entre los diferentes medios de cultivo. Actualmente, los métodos de detección que se utilizan, constan de una serie de redes detectoras de imágenes de una y hasta dos etapas. Incluso cuando son entrenadas con un conjunto de datos de gran tamaño, sigue habiendo un sesgo hacia la región de entrenamiento.

Para ello, a través del portal de colecciones de datos, Kaggle presentó la siguiente competición para la detección de estas cabezas de trigo en imágenes, partiendo de un conjunto de diferentes tipos de imágenes de trigo, con diferentes tipos de fenotipos, encuadres e iluminación. Todas estas imágenes han sido recabadas a nivel global y el proyecto ha sido dirigido por nueve institutos de investigación de siete países distintos tales como la Universidad de Tokio, el Institut National de Recherche pour l'Agriculture o la Universidad de Queensland. Sumándose a estas instituciones, se unen otras cuantas más, entre ellas el Instituto Mundial para la Seguridad Alimentaria.

Desde Techedge, para esta competición, se ha podido realizar un sistema de detección de cabezas de trigo a partir de imágenes exteriores de este tipo de plantas, incluyendo conjuntos de datos de trigo de todo el mundo. Para ello, se utilizaron los datos dados por esta plataforma en la cual, se busca una solución generalizada para estimar el número y el tamaño de las cabezas de trigo en dichas imágenes. Para calibrar mejor el rendimiento para los diversos genotipos, entornos y condiciones de observación, estos datos se han contrastado y entrenado en múltiples regiones, utilizando más de 4.000 imágenes de diversas regiones de Europa (Francia, Reino Unido, Suiza), América del Norte (Canadá), Australia, Japón y China.

El inmenso poder de las imágenes satelitales y cenitales no solamente puede ayudar con los cultivos, también son indicativos clave en la evolución de la superficie de la tierra y regiones de cultivo, así como de la propia evolución de la hidrografía y de la desertificación a lo largo de cada una de las temporadas, aportando aún más información a los sistemas. El potencial de poseen estas imágenes, puede ser empleado para sistemas mucho más diversos y llenos de nuevos tipos de funcionalidad.

Considerando los parámetros de la competición, se ha realizado un sistema de detección en imágenes de las cabezas del trigo. Esto se ha llevado a cabo con herramientas de Computer Vision y de Transfered Learning. El modelo sintetizado consta de una red neuronal profunda para la detección del trigo en las imágenes.

El primer paso se ha llevado a cabo utilizando un modelo ya entrenado de detección de imágenes generales con las bases de datos de Imagenet y Facebook. Tomando este modelo, hemos sido capaces de especializarlo en este conjunto de datos, cambiando de esta manera la estructura del modelo adaptándolo a esta función. De esta forma, se consiguen realizar las detecciones oportunas.

Captura de pantalla 2020-10-15 a las 18.49.44

Fuente: https://medium.com/kansas-city-machine-learning-artificial-intelligen/an-introduction-to-transfer-learning-in-machine-learning-7efd104b6026

Con las técnicas empleadas previamente, se ha podido llegar a aproximadamente un 72% de acierto en la detección del trigo de variedades desconocidas para el modelo. Los resultados obtenidos por este sistema pueden ser de gran utilidad para los agricultores, de modo que puedan evaluar mejor el estado de sus cultivos. De esta forma, pueden ofrecer una mejor calidad del producto, automatizando los procesos de selección y recogida según el estado de las plantas. Asociado a esto, también puede incluirse el ahorro en tiempo de inspección para los investigadores. Este sistema puede dar datos con los que se puedan estimar con precisión la densidad y en el tamaño de las cabezas de trigo en diferentes variedades, sin necesidad de tomar muestras del cultivo y de esta forma evaluar con más certeza la evolución de las plantas en el medio.

De igual modo, esto puede ser extrapolado a diferentes tipos de cultivos, dando así una forma totalmente innovadora para la industria agraria y alimentaria. Como queda en evidencia, las técnicas de aprendizaje automatizado y Computer Vision pueden ser de gran utilidad en casi cualquier ámbito. Con una cantidad de datos suficiente y un objetivo bien definido, se pueden acelerar una gran parte de los procesos que se hacían de forma más tradicional, aportando así un gran valor añadido.

Queda patente cómo todos estos cambios se ven englobados dentro de  la cuarta revolución industrial, abarcando gran parte de nuestra vida cotidiana y mejorándola día a día, obteniendo una mejor calidad de vida gracias a la tecnología de aprendizaje automatizado y análisis de imágenes.

¡Suscríbete!