Revista de genética y mejoramiento vegetal

Abstracto

Los mantillos naturales como opción para el control de malezas en las plantaciones de vid inundadas del Mediterráneo: impacto en la producción agrícola

Sol Xn

Para la implementación completa del manejo de malezas específico del sitio, que actualmente es un desafío importante en la agricultura moderna, el mapeo preciso de malezas es esencial para la sostenibilidad, la eficiencia y el mantenimiento de altos rendimientos de los cultivos y tierras agrícolas menos contaminadas químicamente. En este estudio, se evaluó la solidez de las épocas de entrenamiento del modelo de Red Neuronal Convolucional (CNN) You Only Look Once (YOLO) v5s para la creación de una clasificación automática de cultivos y malezas utilizando imágenes de UAV. Las imágenes se explicaron utilizando un cuadro de salto y se prepararon en Google colaborativo al norte de las edades 100, 300, 500, 600, 700 y 1000. La caña de azúcar (Saccharum officinarum), los árboles de plátano (Musa), la espinaca (Spinacia oleracea), el pimiento (Capsicum) y las malezas fueron identificados y categorizados por el modelo. El modelo fue entrenado durante una serie de épocas para encontrar el mejor rendimiento en el conjunto de prueba. Cuando el rendimiento de la prueba (precisión, exactitud y recuperación de la clasificación) comenzó a disminuir, se detuvo el entrenamiento. El resultado muestra que el rendimiento del clasificador mejoró significativamente a medida que aumentaba el número de épocas de entrenamiento, típicamente de 100 a 600. Cuando el número de épocas se aumentó a 700, la precisión de la clasificación, la precisión de la maleza y la recuperación se registraron en 65, 43 y 43 %, respectivamente, en comparación con 67, 78 y 34 % a 600 épocas, respectivamente. Mientras tanto, se observó una ligera disminución. Cuando la época se aumentó a 1000, se logró una precisión de la clasificación, precisión de la maleza y recuperación del 65 por ciento, 45 por ciento y 40 por ciento, respectivamente, pero esta disminución persistió. Los hallazgos revelaron que la época de entrenamiento de YOLOv5s tiene un impacto significativo en la robustez del modelo en la clasificación automática de cultivos y llantos, siendo 600 la época óptima.