Extracción de la fila de cultivo central con CCRDNet para navegación universal dentro de la fila en agricultura

Área de la Ciencia:

• Robótica Agrícola
• Visión por Computadora
• Aprendizaje Profundo

Sus antecedentes:

• Los métodos existentes de aprendizaje profundo para la detección de filas de cultivo requieren una personalización y preprocesamiento extensos.
• Los operadores humanos pueden navegar intuitivamente siguiendo la fila de cultivo central, una capacidad que los sistemas automatizados actuales carecen.

Objetivo del estudio:

• Desarrollar una estrategia novedosa de aprendizaje profundo para la extracción directa de la fila de cultivo central como línea de navegación.
• Simplificar el pipeline de navegación para maquinaria agrícola y permitir un rendimiento robusto en diversas condiciones.

Principales métodos:

• Introdujo un esquema de anotación de tres clases (fondo, vegetación, fila de cultivo central) con un ancho de fila de cultivo constante.
• Desarrolló CCRDNet (Red de Detección de Filas de Cultivo Central) para predecir la posición de la fila central y ajustar una línea de navegación utilizando mínimos cuadrados.
• Entrenó el modelo en un subconjunto limitado (400 imágenes) de un conjunto de datos diverso (7367 imágenes) que cubre ocho tipos de cultivo.

Principales resultados:

• Logró una precisión del 95,57% en la extracción de la línea de navegación con un error angular promedio de 1,13°.
• CCRDNet es ligero (0,033M de parámetros) y logra altas velocidades de inferencia (86,76 FPS en RTX 3060, 48,78 FPS en Jetson Orin NX).
• Demostró generalización sin ejemplos a entornos y tipos de cultivo no vistos con datos de entrenamiento limitados.

Conclusiones:

• El método propuesto simplifica la navegación agrícola extrayendo directamente la fila de cultivo central.
• CCRDNet ofrece una solución práctica, eficiente y generalizable para la guía de maquinaria agrícola en tiempo real.
• El enfoque cumple con las demandas en tiempo real de las operaciones agrícolas autónomas.