Objetivos. Aprendizaje automático para la discriminación de malas hierbas en girasol

Transcripción

1 Aprendizaje automático para la discriminación de malas hierbas en girasol María Pérez-Ortiz, Francisca López Granados Hito Monitorización de cultivos y malas hierbas mediante tecnologías aéreas con sensores en infrarrojo para la mejora de la gestión agrícola. Instituto de Agricultura Sostenible, CSIC Córdoba, Spain mperezortiz@ias.csic.es 6 de Marzo de 2015 Objetivos Aprender un modelo de forma automática para discriminar malas hierbas.

2 Objetivos Qué se ha planteado hasta ahora? Aprender un modelo de forma automática para discriminar malas hierbas. Cuánta información es necesaria para entrenar los modelos? Qué tipo de información debería recibir el modelo? Qué tipo de modelo sería el adecuado? Cómo podríamos hacer que el procedimiento fuese lo menos costoso computacionalmente? Estudiar distintos modelos de aprendizaje. Unsupervised learning Supervised learning Semisupervised learning Estudiar distintas características (espectral, índices de vegetación, etc). Estudiar distintas representaciones de los datos (píxeles, objectos, etc).

3 Introduccio n Primer trabajo Segundo trabajo Introduccio n Primer trabajo Segundo trabajo Tasks to be performed by the user Etiquetado de una porcio n reducida de terreno. Sistema fa cilmente paralelizable y optimizacio n de para metros automa tica. Uso de una te cnica muy flexible para deteccio n de lı neas de cultivo. M. Pe rez-ortiz et al. Label set of pixels Acquire images Image partition Set parameters Proposed image analysis Optimisation of parameters for the learning algorithm and classification Inclusio n de tres tipos de caracterı sticas diferentes en el modelo: Caracterı sticas espectrales Compute vegetation indexes Crop row detection Binarise vegetation indexes via the Otsu's algorithm Aprendizaje automa tico para discriminacio n de malas hierbas I ndice de vegetacion (ExG o NDVI). Pertenencia a la lı nea de cultivo e ı ndice. M. Pe rez-ortiz et al. Aprendizaje automa tico para discriminacio n de malas hierbas

4 Tres tipos de modelos: No supervisados inicializados. Supervisados. Semisupervisados. Resultados Mejores resultados obtenidos usando: Método semisupervisado (en torno a un 4% de desviación de los porcentajes reales). Uso de ĺıneas de cultivo. 30m (aunque hay pocas diferencias con 60m). Cámara TTC. Crop Tetracam Soil Weed Crop Olympus Soil Weed

5 Introduccio n Primer trabajo Segundo trabajo Resultados Introduccio n Segundo trabajo Primer trabajo Analizar las diferencias entre una clasificacio n basada en pı xeles y una basada en objectos (tiempo y resultados). Analizar las caracterı sticas del objeto a incluir (media ma s desviacio n tı pica, histogramas). 1. Image acquiquisition 3. Data labelling 2. Image segmentation 4. Data classification Pixel-based approach Feature extraction -Spectral information Two approximations: 1. Classification of all pixels 2. Classification of one pixel per object M. Pe rez-ortiz et al. Aprendizaje automa tico para discriminacio n de malas hierbas M. Pe rez-ortiz et al. Object-based approach Feature extraction -Spectral information -Vegetation index -Objects shape Two approximations: 1. Statistic computation 2. Histogram computation Aprendizaje automa tico para discriminacio n de malas hierbas

6 Resultados Etiquetado de 100 objetos aleatorios por clase. Características consideradas para los píxeles: Espectrales. Características consideradas para los objetos: Espectrales, índices de vegetación y forma. Object pixels Neighbouring pixels Other pixels Table : Resultados para Acc, MS y tiempo de ejecución para las distintas configuraciones. Dataset Characteristics Acc MS Time Pixel-based analysis One pixel per object Spect ± ± ± 0.02 All pixels Spect ± ± ± Object-based analysis Statistical metrics Spect ± ± ± 0.04 Statistical metrics Spect. + VI ± ± ± 0.02 Statistical metrics Spect. + VI + Shape ± ± ± 0.06 Histograms Spect ± ± ± 0.04 Histograms Spect. + VI ± ± ± 0.04 Histograms Spect. + VI + Shape ± ± ± 0.06 Los mejores resultados están en negrita, y los segundos mejores en cursiva.

7 Resultados Prueba adicional con menos objetos para entrenamiento Resultados similares. Se necesita muy poca información de entrenamiento, pero se requiere que esta explore todo el espectro de posibilidades. Los métodos semisupervisados muestran buenos resultados en este caso y complementan la información de entrenamiento. La inclusión de información de forma, pertenencia a ĺıneas de cultivo y índices de vegetación ayuda a mejorar los resultados. Los modelos de aprendizaje automático son flexibles y presentan potencial para discriminar bien las malas hierbas cerca o en las ĺıneas de cultivo. La clasificación basada en objetos llega a unos mejores resultados (en términos de precisión y tiempo). Parámetros tales como el buffer de la ĺınea de cultivo se pueden optimizar de forma automática con buenos resultados.

8 Trabajo futuro Explorar métodos para seleccionar las regiones a etiquetar. Analizar qué estadísticos son más útiles para la discriminación por objetos. Estudiar métodos diseñados específicamente para clasificar histogramas. Diseñar un modelo paralelizado y analizar el tiempo de procesamiento necesario. Estudiar si todo lo anterior se aplica a otros cultivos. Estudiar otros paradigmas de aprendizaje automático: Aprendizaje por refuerzo para generalizar en campos distintos.