Browsing by Author "Calderara Cea, Felipe Antonio"

Now showing 1 - 3 of 3
  • No Thumbnail Available
    Item
    A two-stage deep learning strategy for weed identification in grassfields
    (2024) Calderara Cea, Felipe Antonio; Torres Torriti, Miguel Attilio; Auat Cheein, Fernando; Delpiano, José
    Machine vision strategies for weed identification, whether in industrial crops or grassfields, are fundamental to the development of automated removal systems necessary to increase agricultural yield and field maintenance efficiency. Identifying plant species considered invasive on grassfields is particularly challenging due to reduced color and morphological contrast, as well as phenotypic variability. This work presents a two-stage weed identification strategy using visible spectrum images. The first stage employs a convolutional siamese neural network to identify candidate regions that may contain weeds of irregular or regular morphology. The second stage employs a convolutional neural network to confirm the presence of irregular morphology weeds. The results of each stage are combined to produce an output containing a per-pixel probability of irregular weed and bounding boxes for the morphologically regular weed. The two-stage strategy has an accuracy score of 97.16% and a balanced accuracy score of 89.94% and macro F1 score of 81.14%. In addition to the good performance scores obtained with the proposed approach, it is to be noted that the convolutional Siamese network allows achieving a good performance with a relatively small dataset compared to other strategies that employ data-intensive training phases for optimizing the convolutional neural networks. The results were obtained with a dataset of weeds that has been made publicly available, as well as the neural network models and associated computer code. The dataset contains samples Trifolium repens and Lectuca virosa on grass obtained with two different cameras under varying illumination conditions and different geographic locations. The lightweight nature of the proposed strategy provides a solution amenable to implementation using currently existing embedded computer technology for real-time weed detection.
  • Thumbnail Image
    Item
    Identificación automática de maleza con redes neuronales siamesas
    (2024) Calderara Cea, Felipe Antonio; Torres Torriti, Miguel Attilio; Pontificia Universidad Católica de Chile. Escuela de Ingeniería
    La aparición de plantas que compiten con un cultivo afecta a su productividad y, por tanto, su erradicación constituye un foco de esfuerzo considerable. Se han desarrollado técnicas de agricultura de precisión para minimizar el uso de agentes químicos potencialmente dañinos y costosos, identificando la presencia de plantas no deseadas mediante sensores electrónicos (generalmente cámaras RGB). Los métodos tradicionales de esta área se basan en el uso de análisis de textura y color de los objetos dentro del espacio de una imagen basados en las relaciones matemáticas entre los píxeles, sin embargo estos métodos pueden llevar un sesgo humano en la selección de dichas características. Un nuevo conjunto de enfoques para la detección de plantas competidoras (y la identificación de objetos en su conjunto) que se ha convertido en el estandar de la industria en los últimos años son los basados en redes neuronales convolucionales (CNN), con el inconveniente de la necesidad de contar con amplios conjuntos de datos para evitar una mala generalización. Este trabajo presenta un enfoque novedoso en dos aspectos: que el clasificador principal para asignar la presencia de plantas no deseadas se entrenó utilizando un enfoque de aprendizaje de one-shot-learning, limitando así la necesidad de un mayor conjunto de imágenes, y en que se utiliza un segundo modelo para la construcción de un mapa de pıxeles detallado para las especies de plantas con geometría menos contenida. Los resultados del algoritmo obtenido son comparables al estado del arte, con una cifra de accuracy promedio del 97.16%, así como una balanced accuracy promedio del 89.94%, al mismo tiempo que ofrecen una solución fácilmente adaptable a diferentes especies de cultivos y malezas.
  • Thumbnail Image
    Item
    Statistical Machine Learning
    (2023) Torres Torriti, Miguel; Calderara Cea, Felipe Antonio