Weed Detection in Capsicum Annuum L. Crops Using Photogrammetry and Deep Learning Algorithms

• Cornejo-Velázquez, Eduardo ^[1] ; Camacho-Bello, Cesar Joel ^[2] ; Duarte-Rangel, Arturo ^[2] ; Clavel-Maqueda, Mireya ^[1]
  1. [1] Universidad Autónoma del Estado de Hidalgo

     Universidad Autónoma del Estado de Hidalgo

     México

     
  2. [2] Universidad Politécnica de Tulancingo

     Universidad Politécnica de Tulancingo

     México

     
• Localización: Ciencia y Tecnología Agropecuaria, ISSN-e 0122-8706, Vol. 25, Nº. 3, 2024 (Ejemplar dedicado a: Ciencia & Tecnología Agropecuaria-Publicación continua (sep-dic))
• Idioma: inglés
• Títulos paralelos:
  • Detección de malas hierbas en cultivos de Capsicum Annuum L. mediante fotogrametría y algoritmos de aprendizaje profundo
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    La Cuscuta spp. es una planta parásita que causa pérdidas estimadas en el 50 % del rendimiento de una amplia variedad de cultivos agrícolas, incluidos verduras, forrajes y árboles.  En la búsqueda de alternativas para resolver este problema, los pequeños agricultores están explorando la aplicación de nuevas tecnologías en la producción de alimentos. Este trabajo presenta un modelo de clasificación de Cuscuta spp. con teledetección mediante imágenes aéreas recolectadas por UAV con las que se generan ortofotos donde se señalan las zonas infestadas. El modelo propuesto segmenta el color amarillento característico del tallo de Cuscuta spp. en el espacio de color HSV para llevar a cabo el proceso de entrenamiento de una Red Neuronal Convolucional (CNN) profunda. En los experimentos se incluyeron imágenes RGB de un cultivo de pimiento picante (Capsicum annuum Linnaeus) con presencia de Cuscuta spp. Además, realizamos la validación cruzada de 5 iteraciones del modelo con diferentes conjuntos de datos al emplear imágenes recolectadas durante tres semanas consecutivas para identificar el crecimiento de la zona afectada por la maleza. La arquitectura ResNet, de acuerdo con las métricas empleadas, resultó ser el mejor modelo para clasificar Cuscuta spp y no Cuscuta. El método propuesto permite a los pequeños productores identificar y localizar la maleza en las primeras fases de crecimiento para facilitar las labores de eliminación y mitigación.

  • English

    Cuscuta spp. is a parasitic plant that causes losses estimated at 50 % of the yield of a wide variety of agricultural crops, including vegetables, forages, and trees. In the search for alternatives to solve this problem, small farmers are exploring the application of new technologies to food production. This paper presents a remote-sensing Cuscuta spp. classification model based on aerial images collected by UAVs to generate orthophotos showing infested areas. The proposed model segments the characteristic yellowish color of the stem of Cuscuta spp. in the HSV color space to train a deep Convolutional Neural Network (CNN). The experiments included RGB images of a Chili bell pepper (Capsicum annuum Linnaeus) crop with Cuscuta spp. In addition, we performed model 5-fold cross-validation with different datasets by using images collected during three consecutive weeks to identify the growth of the weed-affected area. According to the metrics used, ResNet architecture proved to be the best model for classifying Cuscuta spp. and non-Cuscuta. The proposed method allows smallholders to detect and locate the weed in the early stages of growth to facilitate removal and mitigation efforts.