En esta nueva entrada comentaremos los principales resultados y conclusiones obtenidas tras la realización del proyecto WeedDL.
La propuesta inicial contemplaba el desarrollo de tres tareas fundamentales:
- El diseño de una gran base de datos de imágenes que contenga prototipos de cereales sanos y con malezas: El equipo de trabajo se desplazó a diferentes campos de cebada y trigo para realizar distintas grabaciones de las cuales extraer las imágenes que han servido para extraer los prototipos.
- Realización de un clasificador de Deep Learning: El siguiente paso que tuvimos que dar fue la realización de un clasificador de Deep Learning. Gracias a los clusters cedidos por el grupo de investigación CAPI de la Universidad de Extremadura pudimos entrenar el clasificador. Para realizar este proceso decidimos utilizar el framework Keras que permite la creación y entrenamiento de redes utilizando el lenguaje de programación Python.
- Determinar la posibilidad de ejecución del clasificador en equipos de bajo coste: En esta última tarea hemos estudiado distintos dispositivos de bajo coste que nos permitiese ejecutar el clasificador. De entre todos estos dispositivos, seleccionamos las barras de cómputo neuronal de Intel (Intel Movidius e Intel Neural Compute Stick 2) que necesitan conectarse a una Raspberry Pi a través de sus puertos USB para su utilización. Respecto al algoritmo utilizado para la detección de objetos hemos utilizado el algoritmo de ventana deslizante, analizando cada parte de la imagen por separado.
Como resultado, hemos obtenido un sistema que permite la detección de maleza sobre el cultivo, utilizando dispositivos de bajo coste. Sin duda los resultados obtenidos son satisfactorios, pero mejorables. Hemos conseguido desarrollar una buena parte de la propuesta inicial. Este proyecto ha supuesto, gracias a la Cátedra Telefónica de la Universidad de Extremadura, un buen punto de partida hacia un sistema completo de detección de maleza que podrá ser utilizado a bordo de la maquinaria pulverizadora. Queda pendiente para el futuro realizar un estudio sobre la eficiencia del clasificador, estudiar su implantación en maquinaria agrícola, teniendo en cuenta los parámetros que afectan a su instalación, como puede ser la altura de las cámaras, y mejorar el tiempo de ejecución del clasificador en los equipos de bajo coste.
Próximamente se analizarán los nuevos dispositivos que han ido apareciendo en el mercado con mejor rendimiento que los utilizados y se estudiará aplicar otros algoritmos de detección de objetos con mejores rendimientos en cuanto a precisión y tiempos de ejecución, como pueden ser YOLO o SSD, que no han podido ser utilizados durante la realización del proyecto debido al tiempo necesario que supone su implementación.
En el siguiente vídeo podemos ver un ejemplo del clasificador desarrollado en el proyecto en funcionamiento:
Consulta más información del proyecto en entradas anteriores: