Clasificación de cultivos con detección remota multiespectral de vehículos aéreos no tripulados, empleando una red...

Área de la Ciencia:

• Ciencias Agrícolas
• Visión por Computadora
• Teledetección

Sus antecedentes:

• ResNet50 ofrece entrenamiento rápido y alta precisión para la extracción de características de cultivos.
• La correlación y redundancia de bandas de los datos multiespectrales pueden reducir la precisión de la clasificación.
• El ResNet50 estándar requiere mejoras para datos multibanda y clasificación a pequeña escala de alta precisión.

Objetivo del estudio:

• Identificar la combinación de bandas espectrales óptima para la clasificación de tabaco curado en horno y maíz.
• Mejorar el modelo ResNet50 para un rendimiento superior en tareas de clasificación de cultivos.
• Evaluar el impacto de las modificaciones arquitectónicas en la precisión de la clasificación.

Principales métodos:

• Se modificó el modelo ResNet50 incorporando Normalización por Lotes (BN), agrupación piramidal y capas ocultas.
• Se experimentó con siete combinaciones diferentes de estas mejoras.
• Se evaluó el rendimiento de la clasificación utilizando métricas como precisión, recall, coeficiente kappa y puntuación F1.

Principales resultados:

• La combinación de bandas RGB+NIR+Edge logró la mayor precisión de clasificación (94,48%) para tabaco curado en horno y maíz.
• La introducción exclusiva de capas BN proporcionó la mejora más significativa entre las estrategias probadas.
• El modelo mejorado demostró alta precisión (94,66%), recall (94,48%) y puntuación F1 (94,49%).

Conclusiones:

• La combinación de bandas RGB+NIR+Edge es óptima para clasificar tabaco curado en horno y maíz utilizando ResNet50 mejorado.
• Las capas de Normalización por Lotes son cruciales para mejorar el rendimiento de ResNet50 en la clasificación multiespectral de cultivos.
• El estudio proporciona una metodología robusta para la clasificación de cultivos de alta precisión con modelos de aprendizaje profundo.