Aplicación móvil para clasificación automática de malas hierbas en imágenes usando aprendizaje profundo.

Abstract

Las malas hierbas en el campo, son consideradas como un gran problema para los cultivos, causan efectos negativos que rivalizan con las plantas de maíz en su desarrollo quitándoles todos los elementos nutrientes, donde el agricultor utiliza cualquier herbicida para eliminar estas malas hierbas aplicando en todo el cultivo. Por tal razón, se considera importante que este problema se tratado. Una de las soluciones para atenuar esta problemática podría ser mediante el uso de técnicas de aprendizaje profundo que permita obtener una aplicación móvil con información para minimizar o eliminar las malas hierbas en el cultivo de maíz en base al herbicida correcto. La revisión de la literatura permitió determinar estudios similares para la clasificación de malas hierbas en el cultivo a través técnicas empleadas para clasificar de forma automática. Sin embargo, las técnicas propuestas por los investigadores tienen limitados el uso de técnicas de aprendizaje automático. Por consiguiente, se propone un modelo clasificador basado en técnicas de aprendizaje profundo para la clasificación de las malas hierbas en imágenes. Como resultado se obtiene una aplicación móvil desarrollada bajo tecnología de última generación desarrollada para beneficio de los agricultores, Herbario institucional, estudiantes y profesores de áreas relacionadas en la Universidad Técnica de Cotopaxi. La metodología utilizada para el desarrollo del proyecto de investigación fueron las Redes Neuronales Convolucionales, empleando la metodología CRISP-DM que corresponde a la descripción de las fases. Además, se utilizará el lenguaje de programación Android Studio y la plataforma Custum Vision permitiendo emplear algoritmos de aprendizaje, con la biblioteca Tensorflow de código abierto capaz de construir redes neuronales, utilizada para la detección de objetos personas, animales, plantas y lugares. El modelo generado fue evaluado logrando una precisión de 97.8%, un recall de 97.3% y un A.P de 97.8%, permitiendo obtener resultados óptimos en la clasificación de malas hierbas de forma automática.