Redes neurais convolutivas aplicadas à detecção de ervas daninhas

Abstract

A discriminação entre plantas de cultura e erva daninha é um passo muito importante para os sistemas de pulverização seletiva, cuja aplicação é feita apenas onde for necessário. Tais sistemas são essenciais para evitar o desperdício de agroquímicos e reduzir os impactos econômicos e ambientais. Várias técnicas de visão computacional foram desenvolvidas para abordar o problema, no entanto, existem poucos trabalhos utilizando deep learning para essa finalidade. Neste trabalho é analisado o desempenho de segmentação de ervas daninhas e plantas através de duas arquiteturas diferentes de aprendizagem profunda para a segmentação semântica: Rede Totalmente Convolucionais (Fully Convolutional Network) e SegNet. Um banco de dados aberto com 39 imagens de plantas e ervas daninhas foi usado para estudo de caso. Os resultados mostraram uma precisão global maior que 90% no conjunto de validação para ambas as arquiteturas. Num segundo experimento, novas redes FCN foram treinadas com diferente pré-processamento das imagens e diferentes proporções treino/teste do conjunto de dados para avaliar o impacto dessas ações no desempenho de segmentação.

The discrimination between crop and weed is a very important step for selective spraying systems which the application is made only where is necessary. Such systems are essential to avoid waste of agrochemicals and reduce economic and environmental impacts. Several computer vision techniques were developed to solve this problem, however there are few works using deep learning for this purpose. In this work the precision for weed and crop segmentation is analyzed using two different architectures of deep learning for semantic segmentation: Fully Convolutional Network and SegNet. An open database with 39 plant and weeds images was used for case study. The results showed global accuracy higher than 90% on the validation set for both architectures. In a second experiment, new FCN networks were trained with different image preprocessing and different training/test ratios of the dataset to evaluate the impact of these actions on segmentation performance.