Resumen:
En este estudio se propone un método para la detección de malezas en imágenes aéreas de campos agrícolas. Las imágenes fueron obtenidas desde un vehículo aéreo no tripulado con una cámara RGB en un campo de frijol. El objetivo final fue la obtención de un mapa georreferenciado de densidad de malezas a partir de las imágenes obtenidas. El método propuesto consiste en cuatro pasos principales: 1) segmentación de la vegetación, 2) estimación de la orientación media de las filas de cultivos, 3) identificación de las filas de cultivo, y 4) segmentación de las malezas y generación del mapa de densidad de malezas. La detección de malezas se llevó a cabo de manera completamente autónoma, empleando un árbol de decisión como algoritmo de clasificación en la etapa final, pero sin requerir la selección manual de muestras para el entrenamiento. Los resultados obtenidos en la evaluación del desempeño del método propuesto fueron satisfactorios. El modelo de regresión lineal entre las densidades de maleza estimadas y observadas arrojó un coeficiente de determinación de 0.987 y un error cuadrático medio de 0.075. Del área total del campo de estudio, se estimó un 84% con menos del 1% de cobertura malezas, lo cual indica un alto potencial para la reducción del volumen de herbicidas aplicados.
Descripción:
This study proposes a method for detecting weeds in aerial images of agricultural fields. The images were obtained from an unmanned aerial vehicle with an RGB camera in a bean field. The final objective was to obtain a georeferenced map of weed density from the images obtained. The proposed method consists of four main steps: 1) segmentation of the vegetation, 2) estimation of the mean orientation of the rows of crops, 3) identification of the rows of crops, and 4) segmentation of weeds and generation of the map of weed density. Weed detection was carried out completely autonomously, using a decision tree as a classification algorithm in the final stage, but without requiring manual selection of samples for training. The results obtained in evaluating the performance of the proposed method were satisfactory. The linear regression model between the estimated and observed weed densities yielded a determination coefficient of 0.987 and a mean root error of 0.075. Of the total area of the study field, 84% with less than 1% weed cover was estimated, indicating a high potential for reducing the volume of applied herbicides.
