Agritrop
Accueil

Segmentación de instancias para detección automática de malezas y cultivos en campos de cultivo

Mora-Fallas Adán, Goeau Hervé, Joly Alexis, Bonnet Pierre, Mata-Montero Erick. 2020. Segmentación de instancias para detección automática de malezas y cultivos en campos de cultivo. Tecnología en Marcha, 33, n.spéc. Contribuciones a la Conferencia 6th Latin America High Performance Computing Conference (CARLA) : 13-17. Latin America High Performance Computing Conference. 6, Turrialba, Costa Rica, 25 Septembre 2019/27 Septembre 2019.

Article de revue ; Article de recherche ; Article de revue à comité de lecture Revue en libre accès total
[img]
Prévisualisation
Version publiée - Espagnol
Sous licence Licence Creative Commons.
595850.pdf

Télécharger (870kB) | Prévisualisation

Titre anglais : Instance segmentation for automated weeds and crops detection in farmlands

Résumé : Con base en las recientes aplicaciones exitosas de técnicas de Aprendizaje Profundo en la clasificación, detección y segmentación de plantas, proponemos un enfoque de segmentación de instancias utilizando un modelo Mask R-CNN para la detección de malezas y cultivos en tierras de cultivo. Evaluamos el rendimiento de nuestro modelo con la métrica de precisión promedio de MSCOCO, contrastando el uso de técnicas de aumento de datos. Los resultados obtenidos muestran cómo el modelo se adapta muy bien en este contexto, abriendo nuevas oportunidades para soluciones automatizadas de control de malezas a gran escala.

Résumé (autre langue) : Based on recent successful applications of Deep Learning techniques in classification, detection and segmentation of plants, we propose an instance segmentation approach that uses a Mask R-CNN model for weeds and crops detection on farmlands. We evaluated our model performance with the MSCOCO average precision metric, contrasting the use of data augmentation techniques. Results obtained show how the model fits very well in this context, opening new opportunities to automated weed control solutions, at larger scales.

Mots-clés Agrovoc : agriculture de précision, bioinformatique, mauvaise herbe, identification, imagerie, modélisation des cultures, terre agricole

Mots-clés complémentaires : deep learning

Mots-clés libres : Deep Learning, Instance segmentation, Computer vision, Precision agriculture, Biodiversity informatics, Weed detection, Species identification

Classification Agris : H60 - Mauvaises herbes et désherbage
U10 - Informatique, mathématiques et statistiques

Champ stratégique Cirad : CTS 4 (2019-) - Santé des plantes, des animaux et des écosystèmes

Auteurs et affiliations

  • Mora-Fallas Adán, Instituto Tecnológico de Costa Rica (CRI)
  • Goeau Hervé, CIRAD-BIOS-UMR AMAP (FRA)
  • Joly Alexis, INRIA (FRA)
  • Bonnet Pierre, CIRAD-BIOS-UMR AMAP (FRA) ORCID: 0000-0002-2828-4389
  • Mata-Montero Erick, Instituto Tecnológico de Costa Rica (CRI)

Source : Cirad-Agritrop (https://agritrop.cirad.fr/595850/)

Voir la notice (accès réservé à Agritrop) Voir la notice (accès réservé à Agritrop)

[ Page générée et mise en cache le 2024-01-29 ]