Después de presentar el proyecto WeedDL y de introducir brevemente los conceptos necesarios para su realización, queremos pasar de la teoría a la práctica, compartiendo con vosotros el desarrollo del proyecto.
Para poder empezar el proyecto, era necesario diseñar una gran base de datos de imágenes que almacene los prototipos de cereales sanos y con malezas. Para ello, se realizaron distintas grabaciones en campos de cultivo, extrayendo una gran cantidad de frames de estos vídeos, y seleccionando a partir de ellos los prototipos.
Tras obtener las imágenes necesarias, se ha procedido a la realización del clasificador de Deep Learning para la correcta clasificación de los prototipos. Respecto al software necesario, se ha utilizado el framework Keras, que es una librería de código abierto escrita en Python. Respecto al hardware, los algoritmos que permiten el entrenamiento del clasificador son muy costosos computacionalmente, por lo que deben ser ejecutados en clústers. El grupo de investigación CAPI dispone de dos clústers de tamaño medio de uso exclusivo con 200 cores cada uno, que han sido los utilizados para la realización del clasificador.
Tras entrenar y obtener un buen clasificador, estamos actualmente realizado un estudio para determinar si es posible su ejecución en equipos de bajo coste. Para ello, estamos utilizando una Raspberry Pi Modelo B y dos versiones diferentes de la barra de cómputo neuronal de Intel, la Intel Movidius y la Intel Neural Compute Stick 2. Estos dispositivos se conectan a la Raspberry Pi a través de sus puertos USB y están diseñados para acelerar la ejecución de algoritmos basados en Deep Learning.
Para la detección de objetos estamos utilizando el algoritmo de ventana deslizante, por lo que hemos analizado cada parte de cada imagen por separado. La ventana que estamos utilizando es de tamaño 32×32 píxeles, ya que es el tamaño que hemos utilizado para el entrenamiento de la red y el tamaño idóneo para la detección de maleza, ya que una ventana de mayor tamaño podría no detectar correctamente, afectando a la calidad de la detección.
Continuamos con el proyecto…