En los últimos años se ha producido un debate a nivel mundial sobre el uso indiscriminado de herbicidas y, sobre todo, de ciertas materias activas como el glifosato, donde algunas partes lo catalogan como peligroso para el ser humano, mientras otros estudios afirman que no afecta a las personas. Aun existiendo diferentes posicionamientos dentro del debate, ambas partes están de acuerdo que su peligrosidad depende bastante del cómo se usa estos herbicidas. En contacto con la tierra, este producto se descompone rápidamente y no permanece, pero esto no sucede si dicha sustancia cae en ríos, embalses o asfaltos. En España, la ley exige que exista cierta distancia de separación con elementos naturales, como pueden ser los ríos, entre otros. Por lo tanto, se puede considerar indispensable el control y la reducción de la cantidad aplicada.
En la actualidad, los sistemas de aplicación de herbicidas son grandes máquinas dotadas de tecnología GPS que disponen de barras de aplicación de hasta 24 metros, en las que las boquillas pulverizadoras pueden ser activadas de manera manual y automática, y de manera independiente. La combinación de estas tecnologías permite indicar la trayectoria de las pasadas y calcular parámetros como la velocidad del pulverizador para ajustar el caudal en función de la misma. También permite detectar si existe solape entre las pasadas y cerrar las boquillas necesarias en caso de que esto ocurra. En definitiva, se pretende aplicar la dosis correcta en cada punto de la parcela.
En el proyecto WeedDL se pretende dar un paso más, y dotar al pulverizador de un sistema que en tiempo real detecte la presencia y la densidad de maleza sobre el cultivo. Utilizaremos técnicas de reconocimiento de imágenes basadas en aprendizaje automático, concretamente aprendizaje profundo (Deep Learning) y computación de altas prestaciones.
Por lo tanto, el proyecto WeedDL persigue la detección automática de malezas en tiempo real en imágenes de cultivos de cereal en las primeras fases de desarrollo. Este hecho permitirá la modulación en la pulverización de herbicidas, teniendo dos beneficios inmediatos, por un lado, el económico, permitiendo el ahorro de herbicidas, y por otro lado, el medioambiental.
El clasificador debería ser entrenado con un elevado número de imágenes de cultivos con y sin maleza mediante unos algoritmos muy costosos computacionalmente que deben ser ejecutados en clústers de CPUs o GPUs. Por último, el clasificador final, con un coste computacional bastante menor, instalado a bordo del pulverizador se ejecutará en un miniordenador tipo Raspberry Pi.
El desarrollo del proyecto que se presenta se podría dividir en tres tareas fundamentales:
- Diseño de una gran base de datos de imágenes que se pondrá a disposición de la comunidad investigadora que aglutinará prototipos de cultivos de cereales sanos y con malezas. Aunque nuestra intención no es distinguir entre tipos de malezas, los prototipos representativos de la presencia de maleza se agruparán en función de su tipo. Además, las imágenes también se clasificarán en función del estado de desarrollo del cereal en cuestión.
- Diseño y optimización de nuevos clasificadores de aprendizaje profundo para la correcta clasificación de los prototipos. En las primeras fases del proyecto, debido a que contaremos con pocas imágenes utilizaremos redes diseñadas y entrenadas con otros conjuntos de imágenes naturales, es lo que se denomina “transferencia de aprendizaje”. Para ello utilizaremos los algoritmos de detección de objetos más actuales y que mejores rendimientos están dando en cuanto a precisión y tiempos de ejecución, Faster-RCNN, YOLO y SSD.
- Estudio de la viabilidad de ejecución del clasificador en tiempo real a bordo de la maquinaria pulverizadora. Para ello, aparte de la bondad del clasificador, habrá que estudiar otros parámetros de suma importancia como la altura de las cámaras, tamaño del “patch” que procesará cada cámara instalada en el pulverizador y la velocidad máxima del pulverizador. También habrá que evaluar el tipo de hardware en el que se ejecutará la implementación del clasificador. En esta etapa pensamos utilizar una Raspberry Pi dotada de un dispositivo que se conecta a uno de sus puertos USB y que acelera la ejecución de algoritmos basados en Deep Learning, un Neural Stick 2 de Intel.
El equipo de trabajo está formado por cuatro personas: Miguel Macías Macías, Héctor Sánchez Santamaria, Carlos Javier García Orellana y Jesús Salguero Serrat. Este equipo cuenta con una amplia experiencia en trabajos de clasificación de patrones con imágenes reales, y tiene a su disposición todos los medios necesarios para el desarrollo del proyecto. La mayoría de sus miembros pertenecen al ‘Grupo de Investigación en Clasificación de Patrones y Análisis de Imágenes’, disponiendo de grandes clústeres de cómputo de potencia media-grande, diferentes herramientas para la fabricación de pequeños componentes mecánicos, así como el equipamiento básico de Electrónica.
El Proyecto WeedDL forma parte de los proyectos ganadores seleccionados de la Convocatoria Abierta de 2019 a Proyectos IoT para el Sector Agroganadero.