Estimación de áreas de cultivo mediante Deep Learning y programación convencional

要約

人工知能は、さまざまな分野の問題に対するより正確で効率的なソリューションの実装を可能にしました。
農業部門では、生産と収益性を改善するために、主なニーズの1つは、作物が占める土地の範囲を常に知ることです。
従来の計算方法では、現場で手動および直接データを収集する必要があり、高い人件費、実行時間、および結果の不正確さが発生します。
本研究では、人口の多い作物と人口の少ない作物の面積を決定するために、従来のプログラミングで補完されたディープラーニング手法に基づく新しい方法を提案します。
事例研究として、エクアドルでのサトウキビの植え付けと収穫で最も有名な企業の1つを検討しました。
この戦略は、自然と都市の風景の航空写真のデータセットでトレーニングされたGenerative Adversarial Neural Network（GAN）を組み合わせて、画像の解像度を向上させます。
サトウキビプロットの航空写真のデータセットでトレーニングされた畳み込みニューラルネットワーク（CNN）は、人口の多い作物と人口の少ない作物の領域を区別します。
パーセンテージで面積を計算するための標準的な画像処理モジュール。
実施された実験は、航空写真の品質の大幅な改善と、人口の多い作物地域と人口のない作物地域の顕著な違い、その結果、耕作地と非耕作地のより正確な結果を示しています。
提案された方法は、可能性のある害虫、雑草の植生の領域、動的な作物の発達、および定性的および定量的な品質管理の両方の検出に拡張することができます。

要約(オリジナル)

Artificial Intelligence has enabled the implementation of more accurate and efficient solutions to problems in various areas. In the agricultural sector, one of the main needs is to know at all times the extent of land occupied or not by crops in order to improve production and profitability. The traditional methods of calculation demand the collection of data manually and in person in the field, causing high labor costs, execution times, and inaccuracy in the results. The present work proposes a new method based on Deep Learning techniques complemented with conventional programming for the determination of the area of populated and unpopulated crop areas. We have considered as a case study one of the most recognized companies in the planting and harvesting of sugar cane in Ecuador. The strategy combines a Generative Adversarial Neural Network (GAN) that is trained on a dataset of aerial photographs of natural and urban landscapes to improve image resolution; a Convolutional Neural Network (CNN) trained on a dataset of aerial photographs of sugar cane plots to distinguish populated or unpopulated crop areas; and a standard image processing module for the calculation of areas in a percentage manner. The experiments performed demonstrate a significant improvement in the quality of the aerial photographs as well as a remarkable differentiation between populated and unpopulated crop areas, consequently, a more accurate result of cultivated and uncultivated areas. The proposed method can be extended to the detection of possible pests, areas of weed vegetation, dynamic crop development, and both qualitative and quantitative quality control.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google