Agave plant density using convolutional neural networks on aerial imagery

• Juan Espinoza-Hernández ^[1] ; Gilberto de Jesús López-Canteñs ^[1] ; Irineo Lorenzo López-Cruz ^[1] ; Eugenio Romantchik-Kriuchkova ^[1]
  1. [1] Universidad Autónoma Chapingo

     Universidad Autónoma Chapingo

     México

     
• Localización: Agrociencia, ISSN 2521-9766, ISSN-e 1405-3195, Vol. 57, Nº. 7, 2023, págs. 1344-1370
• Idioma: inglés
• Títulos paralelos:
  • Densidad de plantas de agave usando redes neuronales convolucionales en imágenes aéreas
• Enlaces
  • Texto Completo Ejemplar
• Resumen
  • español

    Las plantas de agave (Agave tequilana Weber) son un elemento indispensable en la cadena pro-ductiva del tequila. Tradicionalmente el monitoreo de plantaciones se ha realizado de forma manual, sin embargo, contar con información precisa sobre los inventarios de agave resulta cru-cial para la planificación y estimación del volumen de producción. En este contexto, se planteó que los algoritmos de aprendizaje profundo pueden lograr altas tasas de detección de plantas de agave mejorando el manejo y control de las plantaciones. Para ello, se implementaron y evaluaron los algoritmos convolucionales YOLOv4 y YOLOv4-tiny utilizando imágenes aéreas de alta resolución RGB capturadas por un sistema de aeronave pilotada a distancia para la determinación de la densidad de plantas de agave. Se planificaron y realizaron tres planes de vuelo, con distancias de muestreo en tierra de 1.10, 1.64 y 2.19 cm píxel-1, respectivamente. Se creó la base de datos y se evaluaron los algoritmos para una confianza de 0.25 y un umbral de intersección sobre la unión de 0.50. Los resultados mostraron una precisión media promedio de 0.99 para ambos algoritmos y una puntuación F1 de 0.95 para YOLOv4 y 0.96 para YOLOv4-tiny. Además, se obtuvo una alta tasa de detección (Rc) de 99 % y valores de precisión (Pr) entre 90 y 92 %. Se observó una disminución en el rendimiento de los algoritmos al detectar hijuelos de agave en imágenes con resolución espacial de 2.19 cm píxel-1. Los algoritmos convolucionales YOLO implementados demostraron que son altamente robustos y capaces de generalizar las características de las plantas de agave en diferentes etapas fenológicas, lo que permite realizar detecciones precisas. Adicional, se logró utilizar las coordenadas de las plantas detectadas para estimar la distancia entre ellas, presentando un error máximo de 20 cm

  • English

    Agave plants (Agave tequilana Weber) are an indispensable element in the tequila production chain. Traditionally, plantation monitoring has been done manually; however, having accurate information on agave inventories is crucial for planning and estimating production volume. In this context, it was proposed that deep learning algorithms can achieve high detection rates of agave plants, improving the management and control of plantations. For this purpose, YOLOv4 and YOLOv4-tiny convolutional algorithms were implemented and evaluated using high-resolution RGB aerial images captured by a remotely piloted aircraft system for the determination of agave plant density. Three flight plans were planned and carried out, with ground sampling distances of 1.10, 1.64, and 2.19 cm pixel-1, respectively. The database was created, and the algorithms were evaluated for a confidence level of 0.25 and an intersection threshold over the junction of 0.50. The results showed an average mean accuracy of 0.99 for both algorithms and an F1 score of 0.95 for YOLOv4 and 0.96 for YOLOv4-tiny. Furthermore, a high detection rate (Rc) of 99 % and precision values (Pr) between 90 and 92 % were obtained. A decrease in the performance of the algorithms was observed when detecting agave tillers in images with a spatial resolution of 2.19 cm pixel-1. The implemented YOLO convolutional algorithms proved to be highly robust and able to generalize agave plant characteristics at different phenological stages, allowing accurate detections. In addition, the coordinates of the detected plants were used to estimate the distance between them, with a maximum error of 20 cm.