Smart agriculture framework from imagery based on representation learning

Abstract

Nowadays, with the increasing need for food due to the high population, there are needed new alternatives in agriculture that avoid yield losses, while augmenting food security. Smart agriculture arises as a solution that gathers technology and agronomics, including aerial imagery, digital surface models, meteorological stations, and machine learning techniques, to improve agricultural management, improving traditional techniques as human interpretation. Nevertheless, we identify two main problems: First, the lack of information about tree inventory due to not accurate maps. Second, the absence of accurate weed management derived from inefficient weed vs crop discrimination. In this work, we propose a new morphological transformation to deal with not accurate digital surface models, improving tree identification, and thus, generating tree inventories. Furthermore, we introduce a sparse feature extraction approach that remarkably separates overlapped classes. Finally, we propose a feature selection algorithm that extracts relevant features from a matrix projection. As a result, this work uses a smart agriculture framework from imagery based on representation learning to improve tree identification and weed/crop discrimination

Resumen Hoy en día, con la creciente necesidad de alimentos debido a la alta población, son necesarias nuevas alternativas en la agricultura que eviten las pérdidas de rendimiento y al mismo tiempo que aumentan la seguridad alimentaria. La agricultura inteligente surge como una solución que reúne la tecnología y la agronomía, incluyendo imágenes aéreas, modelos digitales de superficie, estaciones meteorológicas y técnicas de aprendizaje de máquina, para mejorar el manejo agrícola, superando las técnicas tradicionales como la interpretación humana. Sin embargo, se identificaron dos problemas principales: Primero, la falta de información sobre el inventario de ´arboles debido a mapas no precisos. En segundo lugar, la ausencia de un manejo preciso de las malezas derivado de la ineficiente discriminación de malezas vs cultivos. En este trabajo, proponemos una nueva transformación morfológica para tratar con modelos digitales de superficie no precisos, mejorando la identificación de los ´árboles y, por lo tanto, generar inventarios de ´arboles. Además, se presenta un enfoque de extracción de características dispersas que separa notablemente las clases superpuestas. Finalmente, proponemos un algoritmo de selección de características que extrae características relevantes de una matriz de proyección. Como resultado, este trabajo utiliza un marco de agricultura inteligente a partir de imágenes basadas en el aprendizaje de representación para mejorar la identificación de ´árboles y la discriminación de malezas vs cultivos