Aprendizaje profundo para predicciones que usan imágenes multiespectrales en agricultura
Article Sidebar
Main Article Content
Resumo
Introducción. La Inteligencia Artificial ha logrado un gran éxito en los últimos años, y aunque las aplicaciones comercialmente rentables compiten actualmente con los humanos en términos de precisión y eficiencia, hay otras áreas que podrían beneficiarse de estas tecnologías y en las cuales aún existen obstáculos por superar. Uno de los aspectos importantes de este estudio, es que estos resultados nos permiten comprender de mejor manera las limitaciones relacionadas al uso de datos atípicos en modelos de IA. Esto puede permitir el desarrollo de herramientas para implementar modelos más pequeños, rápidos, y eficientes con aplicaciones en la agricultura, y otras áreas que utilicen imágenes multiespectrales. Objetivo. Se busca proponer un esquema en el cual datos de fuentes no convencionales y relacionadas a la agricultura, son analizados por modelos personalizados de IA a fin de generar predicciones sobre variables medidas en el campo, y que eventualmente pueden ayudar al entendimiento de los fenómenos físicos y biológicos subyacentes. Metodología. Este trabajo resume los resultados obtenidos a lo largo de la implementación de un proyecto que ha usado datos de imágenes multi e hiperespectrales de cultivos agrícolas, así como información tomada en el campo. Los conjuntos de datos incluyen imágenes multiespectrales de cultivos de trigo, e imágenes hiperespectrales de canola y trigo, e incluye mediciones manuales de ciertas variables. En lo que se refiere a los modelos de IA, estos están estrechamente relacionados al abordaje del problema del procesamiento de datos. En ambos casos se ha optado por modelos sencillos de aprendizaje profundo, pero con diferencias en el tipo de datos que estos están optimizados para procesar. Resultados. El principal resultado de este trabajo es la demostración del uso de modelos de IA/DL para el análisis de datos no convencionales. En el primer caso, usando redes convolucionales tridimensionales, hemos logrado implementar un modelo que es capaz de predecir el rendimiento de los cultivos de trigo bajo análisis; y en el segundo caso, usando un esquema dual, con modelos secuenciales y espaciales, hemos logrado realizar la predicción del contenido de humedad. Conclusión. Principalmente, este trabajo demuestra que un modelo DL es capaz de encontrar características útiles dentro de un conjunto de datos MSI para la predicción del rendimiento; además de encontrar un modelo DL preciso para la predicción del contenido de humedad de los cultivos de canola y trigo, basado en HSI. Estos resultados evidencian la versatilidad de los modelos de aprendizaje automático y la posibilidad de extenderlos resultados obtenidos en otras aplicaciones. Área de la ciencia: inteligencia artificial
Downloads
Article Details
Referências
Chollet, F. (2017). Deep Learning with Python. https://www.manning.com/books/deep-learning-with-python
Dumoulin, V., & Visin, F. (2018). A guide to convolution arithmetic for Deep Learning. arXiv. https://doi.org/10.48550/arXiv.1603.07285
Han, S., Mao, H., & Dally, W. J. (2015, October 1). Deep compression: Compressing deep neural networks with pruning, trained quantization and huffman coding. arXiv.Org. https://arxiv.org/abs/1510.00149v5
Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735–1780. https://doi.org/10.1162/neco.1997.9.8.1735
Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. Proceedings of the 31st International Conference on Neural Information Processing Systems, 4768–4777.
Manolakis, D. G., Lockwood, R. B., & Cooley, T. W. (2016). Hyperspectral imaging remote sensing: Physics, sensors, and algorithms. Cambridge University Press.
Montesinos-López, O. A., Montesinos-López, A., Crossa, J., De los Campos, G., Alvarado, G., Suchismita, M., Rutkoski, J., González-Pérez, L., & Burgueño, J. (2017). Predicting grain yield using canopy hyperspectral reflectance in wheat breeding data. Plant Methods, 13(1), 4. https://doi.org/10.1186/s13007-016-0154-2
Torres-Tello, J., Singh, K., Ko, S.-B., & Shirtliffe, S., (2020). Transfer learning from RGB to hyperspectral images by means of pointwise convolutions. 5th Annual P2IRC Symposium. https://doi:10.13140/RG.2.2.31919.5648054
Torres-Tello, J., & Ko, S.-B. (2021a). Identifying useful features in multispectral images with deep learning for optimizing wheat yield prediction. 2021 IEEE International Symposium on Circuits and Systems (ISCAS), 1–5. https://doi.org/10.1109/ISCAS51556.2021.9401360
Torres-Tello, J. W., & Ko, S. (2021b). A novel approach to identify the spectral bands that predict moisture content in canola and wheat. Biosystems Engineering, 210, 91–103. https://doi.org/10.1016/j.biosystemseng.2021.08.004
Torres-Tello, J., & Ko, S.-B. (2022). Optimizing a multispectral-images-based dl model, through feature selection, pruning and quantization. 2022 IEEE International Symposium on Circuits and Systems (ISCAS), 1352–1356. https://doi.org/10.1109/ISCAS48785.2022.9937940
Torres Tello, J. W., (2022). Optimization of AI models as the main component in prospective edge intelligence applications [Thesis, University of Saskatchewan]. https://harvest.usask.ca/handle/10388/14092
Virnodkar, S. S., Pachghare, V. K., Patil, V. C., & Jha, S. K. (2020). Remote Sensing and Machine Learning for crop water stress determination in various crops: A critical review. Precision Agriculture, 21(5), 1121–1155. https://doi.org/10.1007/s11119-020-09711-9
Xiong, Z., Yuan, Y., & Wang, Q. (2018). Ai-net: Attention inception neural networks for hyperspectral image classification. IGARSS 2018 - 2018 IEEE International Geoscience and Remote Sensing Symposium, 2647–2650. https://doi.org/10.1109/IGARSS.2018.8517365