Video Experimental Relacionado
Updated: Sep 10, 2025
08:47
Author Spotlight: UAV Remote Sensing for Efficient Invasive Plant Biomass Estimation
Published on: February 9, 2024
1.6K
Detección de malezas en cultivos de teff utilizando aprendizaje profundo e imágenes de UAV para la aplicación de
Alemu Setargew Kebede1, Tsehay Wasihun Muluneh1, Abebe Belay Adege2,3
1Department of Information Technology, University of Gondar, Gondar, Ethiopia.
Scientific reports
|August 21, 2025
Resumen
Este estudio desarrolló un modelo de IA para la detección precisa de malezas en campos de Teff, lo que permite la aplicación de herbicidas dirigidos a través de drones. Esto mejora la productividad de los cultivos y la seguridad alimentaria en Etiopía.
Área de la Ciencia:
- Ciencias Agrícolas
- Ciencias de la computación
- Inteligencia artificial
Sus antecedentes:
- La productividad del teff en Etiopía está amenazada por el manejo ineficiente de la maleza y los fertilizantes.
- El control tradicional de las malas hierbas requiere mucha mano de obra, es inexacto y lleva al uso indebido de herbicidas.
- Distinguir el teff de otras malas hierbas similares es un desafío, especialmente en campos grandes.
Objetivo del estudio:
- Desarrollar un modelo de aprendizaje profundo optimizado para la detección precisa de malezas en campos de Teff.
- Permitir la aplicación selectiva y eficiente de herbicidas mediante el uso de vehículos aéreos no tripulados (UAV).
- Mejorar la productividad de los cultivos de teff y contribuir a la seguridad alimentaria.
Principales métodos:
- Recogí un conjunto de datos de 1308 imágenes de drones de alta resolución de los campos de Teff.
- Utilizó características basadas en la forma (proporción de aspecto, solidez) y aumento de datos.
- Los modelos de aprendizaje profundo evaluados incluyen MobileNetV2, InceptionResNetV2, DenseNet201, VGG16, Resnet50, Fast R-CNN y YOLOv8.
- Modelos ajustados y experimentado con varios optimizadores.
Principales resultados:
- El ajuste fino de MobileNetV2 logró la mayor precisión con un 96,40% para la detección de malezas.
- El modelo demostró adaptabilidad a diferentes características de datos y minimizó el exceso de ajuste.
- El enfoque permite la aplicación selectiva y eficiente de herbicidas a través de los UAV.
Conclusiones:
- La detección de malezas impulsada por IA ofrece una solución transformadora para la agricultura de precisión en el cultivo de Teff.
- El modelo optimizado de aprendizaje profundo muestra un potencial significativo para la implementación práctica.
- Esta tecnología puede mejorar el manejo de malezas, aumentar el rendimiento de los cultivos de Teff y reforzar la seguridad alimentaria.
