AGRICULTURA DIGITAL 81 tidão das suas previsões para várias classes de objetos. Quanto mais elevado for o valor de mAP, melhor será o desempenho do modelo. No nosso caso, temos cinco classes, quatro ervas daninhas e uma cultura. A classe do milho tem o valor mais elevado de 0,975 mAP (97,5%), pelo que o seu poder de previsão é superior ao das outras classes. Para as classes de ervas daninhas foram obtidos os seguintes valores de mAP: 'mh1' Lolium perenne 0,851 (85,1%), 'mh2' Sonchus oleraceus 0,902 (90,2%), 'mh3' Saolanun nigrum 0,766 (76,6%) e 'mh4' Poa annua 0,720 (72,0%). Para o modelo global é calculada a média do mAP das 5 classes e obtém-se um valor de 0,836 (83,6%). Embora o valor do mAP global do modelo (83,6%) seja inferior ao da classe do milho (97,5%), isso não significa que a CNN seja ineficiente, uma vez que, se o objetivo é discriminar o milho das ervas daninhas independentemente da espécie, o modelo é totalmente adequado para ser implementado num sistema de monda de precisão como os mencionados acima. IMPLEMENTAÇÃO DA CNN YOLOV5S V7.0 NUMA APLICAÇÃO REAL Para a implementação da CNN foram recolhidas imagens adicionais em diferentes etapas de desenvolvimento da cultura (15, 30 e 45 dias após a plantação), que foram submetidas ao modelo e comparadas com as imagens não rotuladas para visualizar a classificação da CNN. Nas Figuras 3, 4 e 5, os valores nas caixas delimitadoras correspondem às classes, 0: milho, a azul, 1: mh1 (Lolium Perenne) a verde, 2: mh2 (Sonchus Oleraceus) a vermelho, 3: mh3 (Saolanun Nigrum) a ciano, 4: mh4 (Poa Annua) a amarelo. As figuras 3 (a) e (b) mostram a cultura 15 dias após a plantação, a CNN identifica e classifica corretamente todas as plantas na imagem. As figuras 4 (a) e (b) mostram a cultura 30 dias após a plantação. A CNN identifica corretamente as plantas de milho, embora dentro de uma caixa que delimita a terceira planta de milho esteja escondida uma mh4 (4-amarela), isto deve-se principalmente ao facto de durante o treino da CNN não ter havido casos semelhantes, uma planta a seguir à outra, esta situação poderia ser corrigida aumentando a quantidade de imagens de treino com este comportamento. Quanto às ervas daninhas, classe mh1 (1-verde) das duas plantas presentes o modelo identificou três, ou seja, Para el despliegue de la CNN se tomaron imágenes adicionales en diferentes etapas de desarrollo del cultivo (15, 30 y 45 días después de la siembra), se pasaron por el modelo y se comparan con las mismas sin etiquetar para visualizar la clasificación que realiza la CNN. En las Figuras 3, 4 y 5, los valores de los cuadros delimitadores corresponden a las clases, 0: maíz, en color azul, 1: mh1(Lolium Perenne) en color verde, 2: mh2 (Sonchus Oleraceus) en color rojo, 3: mh3 (Saolanun Nigrum) en color cyan, 4: mh4 (Poa Annua) en color amarillo. En las Figuras 3 (a) y (b) se observa el cultivo a 15 días después de la siembra, la CNN identifica y clasifica correctamente todas plantas de la imagen. (a) (b) Figura 3. (a) Imagen sin procesar del cultivo a 15 días. (b) Imagen procesada del cultivo a 15 días después de la siembra. después de la siembra. En las Figuras 4 (a) y (b) se observa el cultivo a 30 días de la siembra, la CNN identifica las plantas de maíz correctamente, aunque dentro de un cuadro delimitar de la tercera planta de maíz, se esconde una mh4 (4-amarillo), esto se debe principalmente a durante el entrenamiento de la CNN no se presentaron casos similares, una planta detrás de otra, esta situación se podría corregir aumentando la cantidad de imágenes de entrenamiento con este comportamiento. (a) (b) Figura 4. (a) Imagen sin procesar del cultivo a 30 días después de la siembra. (b) Imagen procesada del cultivo a 30 días después de la siembra. En cuanto a las malas hierbas, la clase mh1 (1-verde) de las 2 plantas presentes el modelo identificó 3, es decir clasifico una más, presentado un caso de falso positivo, identificándola como mh4 (4-amarillo), la similitud entre las hojas (estrechas) de las dos clases hace que puede ser clasificadas equivocadamente. Para la clase mh4 (4amarillo), de las 4 plantas presentes 2 se clasificaron correctamente, la tercera fue clasificada correctamente pero también el sistema la clasifico como mh1 (1-verde), corroborando lo mencionado anteriormente, las malas hierbas de la misma forma el Figura 3. (a) Imagem não processada da cultura 15 dias após a plantação. (b) Imagem processada da cultura 15 dias após a plantação. (a) (b) Figura 3. (a) Imagen sin procesar del cultivo a 15 días. (b) Imagen procesada del cultivo a 15 días después de la siembra. después de la siembra. En las Figuras 4 (a) y (b) se observa el cultivo a 30 días de la siembra, la CNN identifica las plantas de maíz correctamente, aunque dentro de un cuadro delimitar de la tercera planta de maíz, se esconde una mh4 (4-amarillo), esto se debe principalmente a durante el entrenamiento de la CNN no se presentaron casos similares, una planta detrás de otra, esta situación se podría corregir aumentando la cantidad de imágenes de entrenamiento con este comportamiento. (a) (b) Figura 4. (a) Imagen sin procesar del cultivo a 30 días después de la siembra. (b) Imagen procesada del cultivo a 30 días después de la siembra. En cuanto a las malas hierbas, la clase mh1 (1-verde) de las 2 plantas presentes el modelo identificó 3, es decir clasifico una más, presentado un caso de falso positivo, identificándola como mh4 (4-amarillo), la similitud entre las hojas (estrechas) de las dos clases hace que puede ser clasificadas equivocadamente. Para la clase mh4 (4amarillo), de las 4 plantas presentes 2 se clasificaron correctamente, la tercera fue clasificada correctamente pero también el sistema la clasifico como mh1 (1-verde), corroborando lo mencionado anteriormente, las malas hierbas de la misma forma el Figura 4. (a) Imagem não processada da cultura 30 dias após a plantação. (b) Imagem processada da cultura 30 dias após a plantação. sistema suele clasificarlas como pertenecientes a las dos clases. La cuarta planta mh4 (4-amarillo) no la identifico el modelo, no siendo clasificada, esta fue identificada en el cuadro delimitador del tercer maíz. En las mh2 (2-rojo) el sistema encontró 4 de las 3 sembradas, clasificando una más, teniendo nuevamente un falso positivo, ocurriendo algo similar a las dos clases anteriores, la forma de la hoja en este caso ancha, el sistema puede clasificarla en las dos categorías. En cuanto a la mh3 (3-cyan) de las 2 presentes el sistema las clasifico correctamente, solo una fue clasificada dos veces. En las Figuras 5 (a) y (b), se observa el cultivo a 45 días después de la siembra, se aprecia las plantas de maíz clasificadas correctamente. Las nuevas malas hierbas emergentes de la segunda siembra se clasificaron correctamente. (a) (b) Figura 5. (a) Imagen sin procesar del cultivo a 45 días después de la siembra. (b) Imagen procesada del cultivo a 45 días después de la siembra. Como conclusión general de este estudio, la CNN YOLOv5s es una alternativa como método de identificación de malas hierbas en el cultivo de maíz, el cual, podría ser integrado a cualquier sistema de escarda de precisión, sin embargo, es necesario seguir alimentando el modelo con imágenes de nuevas campañas y enriquecer el conjunto de imágenes de entrenamiento con todas las posibles variaciones lumínicas, y condiciones de campo, para que en el momento de la implantación se obtenga una mayor precisión. Aunque el mAP general del modelo tenga un 83.6%, esto no indica que la CNN sea ineficiente, por el contrario, si el objetivo es identificar y proteger el maíz, eliminando cualquier planta que no sea maíz, el modelo resulta altamente eficiente con un 97.5%. En este caso, el sistema de escarda de precisión eliminaría todas las malas hierbas, independientemente de su especie, preservando únicamente las plantas de maíz. G Figura 5. (a) Imagem não processada da cultura aos 45 dias após a plantação. (b) Imagem processada da cultura aos 45 dias após a plantação.
RkJQdWJsaXNoZXIy Njg1MjYx