Segmentación en imagen de frutos de granado usando deep learning con aplicación en agricultura de precisión

• Giménez-Gallego, Jaime ^[1] ; González-Teruel, Juan D. ^[1] ; Toledo, Ana ^[1] ; Jiménez Buendía, Manuel ^[1] ; Soto-Valles, Fulgencio ^[1] ; Torres-Sánchez, Roque ^[1]
  1. [1] Universidad Politécnica de Cartagena

     Universidad Politécnica de Cartagena

     Cartagena, España

     
• Localización: XLIII Jornadas de Automática: libro de actas: 7, 8 y 9 de septiembre de 2022, Logroño (La Rioja) / coord. por Carlos Balaguer Bernaldo de Quirós, José Manuel Andújar Márquez, Ramón Costa Castelló, C. Ocampo-Martínez, Juan Jesús Fernández Lozano, Matilde Santos Peñas, José Simó, Montserrat Gil Martínez, José Luis Calvo Rolle, Raúl Marín, Eduardo Rocón de Lima, Elisabet Estévez Estévez, Pedro Jesús Cabrera Santana, David Muñoz de la Peña Sequedo, José Luis Guzmán Sánchez, José Luis Pitarch Pérez, Óscar Reinoso García, Óscar Déniz Suárez, Emilio Jiménez Macías, Vanesa Loureiro-Vázquez, 2022, ISBN 978-84-9749-841-8, págs. 1001-1006
• Idioma: español
• Títulos paralelos:
  • Image segmentation of pomegranate fruits using deep learning with application in precision agriculture
• Enlaces
  • Texto completo
• Resumen
  • español

    En agricultura de precisión, para monitorizar el estado del cultivo mediante imagen de forma automática, son necesarias herramientas de procesamiento para poder extraer la información de interés. En este estudio se desarrolla un modelo de Deep Learning para segmentación de imagen con el objetivo de discriminar los frutos del granado. Se alcanzan unos resultados de Intersection over Union (IoU)=0,71 y mean Average Precision (mAP)=0,82. Posteriormente, se expone un algoritmo que permite estimar el tamaño del fruto en píxeles, con un error relativo medio del 5,4%.

  • English

    In precision agriculture, to automatically monitor the state of the crop using images, processing tools are needed to extract the information of interest. In this study, a Deep Learning model is developed for image segmentation to discriminate pomegranate fruits. Results of Intersection over Union (IoU)=0.71 and mean Average Precision (mAP)=0.82 are achieved. Subsequently, an algorithm for estimating the size of the fruit in pixels is presented, with an average relative error of 5.4%.