EUVIMEDEUVIMED entdecken
Crossref

DeepFake Weeds: integración de redes neuronales y stable diffusion para la detección de malas hierbas en cultivos de tomate

Hugo Moreno, Adrià Gómez, Ribeiro, Angela, Dionisio Andújar

Scientific Repository of Open Access of Portugal (RCAAP) · 09.03.2024

DOI: 10.19084/rca.34972 ↗

Kurz gefasst

Fachartikel in der Zeitschrift Scientific Repository of Open Access of Portugal (RCAAP), erschienen am 09.03.2024. Verfasst von Hugo Moreno und 4 weiteren Autor:innen.

AbstractSchlagwörterBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Las malas hierbas afectan negativamente el rendimiento y calidad de las cosechas al competir con el cultivo por los recursos. Detectarlas a tiempo permite optimizar el control mediante la aplicación precisa de herbicidas y reducir su impacto ambiental. Sin embargo, su detección y clasificación es un desafío debido a la gran diversidad de especies y similitudes con los cultivos. Los métodos tradicionales de aprendizaje profundo (Deep Learning) han permitido el desarrollo de redes neuronales convolucionales (CNN) para la clasificación de especies de mala hierba. Sin embargo, las CNN requieren amplios y variados conjuntos de datos para su entrenamiento. Este estudio propone una metodología innovadora utilizando clasificadores de CNN, YOLOv8l y RetinaNet aumentados con datos de Stable Diffusion (SD), implementado imágenes de malas hierbas generadas artificialmente. Para ello, se configuraron tres conjuntos de datos para el entrenamiento de las CNNs (real, artificial y mixto) en cultivos de tomate comercial infestados por Solanum nigrum L., Portulaca oleracea L. y Setaria Verticillata L. Los resultados mostraron un alto grado de acuerdo con imágenes artificiales, alcanzando un mean Average Precision (mAP) máximo de 0,93 en ambas redes para el conjunto de datos mixto. SD permitió generar grandes conjuntos de datos de alta calidad a partir de un conjunto limitado de imágenes, reduciendo la necesidad de obtener un gran número de imágenes en campo y su posterior etiquetado manual. Además, el método puede adaptarse a otros cultivos y especies de mala hierba, contribuyendo así al avance de los sistemas automatizados de gestión de malas hierbas.

Schlagwörter

weed detectiontomato cropsStable Diffusionsynthetic data generationYOLOv8RetinaNetconvolutional neural networksSolanum nigrumPortulaca oleraceaSetaria verticillata

Zitieren

APA

Moreno, H., Gómez, A., Ribeiro, Angela, & Andújar, D. (2024). DeepFake Weeds: integración de redes neuronales y stable diffusion para la detección de malas hierbas en cultivos de tomate. Scientific Repository of Open Access of Portugal (RCAAP). https://doi.org/10.19084/rca.34972

Vancouver

Moreno H, Gómez A, Ribeiro, Angela, Andújar D. DeepFake Weeds: integración de redes neuronales y stable diffusion para la detección de malas hierbas en cultivos de tomate. Scientific Repository of Open Access of Portugal (RCAAP). 2024. doi:10.19084/rca.34972

BibTeX
@article{Moreno2024,
  author = {Moreno, Hugo and Gómez, Adrià and Ribeiro and Angela and Andújar, Dionisio},
  title = {DeepFake Weeds: integración de redes neuronales y stable diffusion para la detección de malas hierbas en cultivos de tomate},
  journal = {Scientific Repository of Open Access of Portugal (RCAAP)},
  year = {2024},
  doi = {10.19084/rca.34972}
}
Kostenlos starten →