Diseño de un sistema de visión artificial parar la identificación de malas hierbas (Arvenses) con técnicas de Deep Learning en dos cultivos altamente productivos
Cargando...
Autores
Tipo de contenido
Editor
Document language:
Español
Fecha
Título de la revista
ISSN de la revista
Título del volumen
Documentos PDF
Resumen
El control de malezas en sistemas agrícolas altamente productivos continúa sustentándose, en gran medida, en aplicaciones uniformes de herbicidas, pese a que las poblaciones de malas hierbas (plantas arvenses) presentan una distribución espacial heterogénea y una dinámica temporal dependiente del estado fenológico del cultivo. Este enfoque incrementa costes, genera impactos ambientales y limita la eficiencia del manejo cuando se requiere actuación selectiva. En este marco, la escarda de precisión depende críticamente de sistemas de percepción capaces de detectar e identificar la presencia de las malas hierbas con robustez en condiciones reales, donde la variabilidad de iluminación, los fondos complejos, las oclusiones y la similitud morfológica cultivo–malezas reducen el desempeño de los modelos. Esta investigación doctoral diseña, implementa y evalúa un sistema de visión artificial basado en Deep Learning para la detección e identificación multiclase de malas hierbas en maíz (Zea mays L.) y remolacha roja (Beta vulgaris L.), integrando experimentación tanto en ambientes controlados como en condiciones reales de campo. Se construyeron conjuntos de datos etiquetados específicos para cada cultivo y para distintas etapas fenológicas del cultivo, incorporando variabilidad en la emergencia y desarrollo de las malezas, y se estableció un protocolo experimental homogéneo para el entrenamiento y la comparación de detectores de objetos basados en redes neuronales convolucionales y arquitecturas recientes basadas en transformers. La investigación incorpora un esquema iterativo por fases para seleccionar de forma objetiva combinaciones de arquitecturas, escala del modelo y resolución de entrada, así como para ajustar parámetros operativos de inferencia orientados a maximizar la sensibilidad sin comprometer la consistencia global del sistema. La investigación doctoral contribuye en tres niveles: En el nivel experimental, aporta una infraestructura de adquisición adaptable y un marco reproducible para construir conjuntos de datos multiclase en dos cultivos y dos escenarios de producción (cultivo en invernadero en condiciones controladas y cultivo en campo), preservando trazabilidad y comparabilidad entre campañas; En el nivel metodológico, propone un esquema de evaluación y selección de configuraciones que integra métricas convencionales, con un análisis explícito de errores, en particular de las omisiones de detección y micro-promedios para sintetizar el rendimiento con desbalanceo de clases; adicionalmente incorpora métricas orientadas a la operación en campo (Missed-Weeds Rate for background, Spurious-Objects on the Background y Omission-Weighted Balance Score) para interpretar el desempeño en términos de malezas no detectadas y falsas detecciones con impacto directo en la actuación del sistema; Por su parte, en el nivel tecnológico, consolida un benchmark comparativo entre familias de detectores bajo condiciones agrícolas de complejidad creciente, incorporando el coste computacional como criterio de viabilidad para el despliegue. Finalmente, la validación en condiciones reales de campo en ambos cultivos consolida la generalización del enfoque y sustenta la selección de la arquitectura y configuración más adecuadas al equilibrar robustez, omisión de malas hierbas, detecciones falsas y factibilidad computacional, proporcionando una base técnica para el desarrollo futuro de plataformas prácticas de escarda selectiva de precisión. (Texto tomado de la fuente)
Abstract
Weed control in highly productive agricultural systems continues to rely heavily on uniform herbicide applications, even though weed populations exhibit heterogeneous spatial distributions and temporal dynamics that depend on the crop's phenological state. This approach increases costs, generates environmental impacts, and limits management efficiency when selective action is required. In this context, precision weeding critically depends on perception systems capable of robustly detecting and identifying weeds in real-world conditions, where lighting variability, complex backgrounds, occlusions, and crop-weed morphological similarity reduce model performance. This doctoral research designs, implements, and evaluates a Deep Learning based computer vision system for the detection and multi-class identification of weeds in maize (Zea mays L.) and red beet (Beta vulgaris L.), integrating experimentation in both controlled environments and real field conditions. Specific labelled datasets were constructed for each crop and at different phenological stages, incorporating variability in weed emergence and development. A homogeneous experimental protocol was established for the training and comparison of object detectors based on convolutional neural networks and on recent transformer architectures. The research incorporates an iterative phased scheme to objectively select combinations of architecture, model scale, and input resolution, as well as to adjust operational inference parameters aimed at maximizing sensitivity without compromising the overall consistency of the system. The doctoral research contributes on three levels. At the experimental level, it provides an adaptable acquisition infrastructure and a reproducible framework for building multi-class datasets in two crops and two production scenarios, preserving traceability and comparability between campaigns. At the methodological level, it proposes a configuration evaluation and selection scheme that integrates conventional metrics with explicit error analysis, particularly detection omissions and micro-averages to synthesize performance under class imbalance. It also incorporates metrics geared toward field operations (Missed-Weeds Rate for background, Spurious-Objects on the Background and Omission-Weighted Balance Score) to interpret performance in terms of undetected weeds and false detections, with a direct impact on system performance. At the technological level, it consolidates a comparative benchmark between detector families under increasingly complex agricultural conditions, incorporating computational cost as a criterion for deployment feasibility. Finally, validation in real field conditions across both crops consolidates the approach's generalization. It supports selecting the most appropriate architecture and configuration by balancing robustness, weed omission, false detections, and computational feasibility, providing a technical basis for the future development of selective weeding platforms.
Descripción
ilustraciones a color, diagramas, fotografías
Palabras clave propuestas
Términos Normalizados
Asistencia agrícola; Agricultural assistance; Proyectos de desarrollo agrícola; Agricultural development projects; Malezas; Weeds; Control de malezas; Weed control; Control biológico de malezas; Weeds - Biological Control; Aprendizaje automático (Inteligencia artificial); Machine learning; Aprendizaje por refuerzo (Aprendizaje automático); Reinforcement learning (Machine learning); 630 - Agricultura y tecnologías relacionadas::632 - Lesiones, enfermedades, plagas vegetales; 630 - Agricultura y tecnologías relacionadas::631 - Técnicas específicas, aparatos, equipos, materiales; 000 - Ciencias de la computación, información y obras generales::006 - Métodos especiales de computación