Machine learning for identification and classification of crops and weeds

Abstract

Aprendizado de máquina para tarefas de visão computacional é uma área de muito crescimento nos últimos anos. Paralelamente, a demanda por técnicas de agricultura melhores e menos destrutivos tem aumentado significativamente. Este projeto utiliza técnicas de aprendizado de máquina aplicadas a visão computacional para desenvolver um sistema capaz de identificar e classificar plantas como úteis ou ervas daninhas, a fim de possibilitar a utilização de veículos robóticos para efetuar cultivação e monitoramento de plantios. Isso é realizado utilizando um sistema de detecção de objetos denominado Faster R-CNN, treinado e testado com uma base de dados de acesso livre. Várias configurações desta rede foram comparadas e testadas no microcomputador Raspberry Pi 4 a fim de avaliar seu desempenho em condições de campo, em termos de velocidade e exatidão. Resultados mostram que, utilizando imagens de baixa resolução, é possível atingir velocidades relativamente altas, mas resultados muito mais exatos podem ser obtidos aumentando a resolução das imagens, embora isso resulte numa queda de velocidade. Entretando, avanços tecnológicos de microcomputadores, num futuro próximo, ou a utilização de uma placa gráfica para realizar a predição, resultarão num sistema mais rápido e útil. Não obstante, dependendo da aplicação, as ferramentas testadas já podem ser adequadas.

Machine learning for computer vision tasks is an area which has grown significantly in recent years. At the same time, there has been a marked increase in demand for better, more environmentally friendly farming methods. The current study uses machine learning applied to computer vision to develop a system that is able to identify and classify plants as crops and weeds with a view to enabling robotic appliances to perform plant cultivation and monitoring. This is performed using a state-of-the-art object detection architecture known as Faster R-CNN, trained and tested on a publicly available crop/weed dataset. Various configurations of this network were compared and tested on a Raspberry Pi 4 in order to gauge the usefulness of this detection system in field conditions, in terms of both speed and accuracy. The results show that relatively high speed predictions are possible while using low resolution images, but that significantly more accurate results can be obtained by using larger images, albeit with a significant speed penalty. In the near future, advances in computing capacity of small computers such as the Raspberry Pi, or the use of graphics processing units, will enable faster processing and a more useful system. Depending on the application, however, the tested hardware may already be adequate.