Agrotecnología

Abstracto

Clasificación de especies de árboles basada en redes neuronales convolucionales explicables mediante imágenes multiespectrales obtenidas desde un vehículo aéreo no tripulado

Ling-Wei Chen, Pin-Hui Lee, Yueh-Min Huang*

Buscamos abordar la escasez de mano de obra, en particular, el envejecimiento de la fuerza laboral de las áreas rurales y, de ese modo, facilitar la gestión agrícola. El movimiento y la operación de equipos agrícolas en Taiwán se complica por el hecho de que muchos cultivos comerciales en Taiwán se plantan en laderas. Para cultivos mixtos en áreas agrícolas tan inclinadas, la identificación de especies de árboles ayuda en la gestión agrícola y reduce la mano de obra necesaria para las operaciones agrícolas. Las imágenes ópticas generales recopiladas por cámaras de luz visible son suficientes para la grabación, pero arrojan resultados subóptimos en la identificación de especies de árboles. El uso de una cámara multiespectral permite identificar plantas en función de sus respuestas espectrales. Presentamos un método para la clasificación de especies de árboles utilizando luz visible de UAV e imágenes multiespectrales. Aprovechamos las diferencias en los valores de reflectancia espectral entre las especies de árboles y utilizamos imágenes de banda infrarroja cercana para mejorar el rendimiento de clasificación del modelo. Los modelos neuronales profundos basados ​​en CNN se utilizan ampliamente y producen altas precisiones, pero es difícil lograr resultados 100% correctos y la complejidad del modelo generalmente aumenta con el rendimiento. Esto genera incertidumbre sobre las decisiones finales del sistema. La inteligencia artificial interpretable extrae información clave y la interpreta para lograr una mejor comprensión de las conclusiones o acciones del modelo. Utilizamos la visualización (cuatro métodos de atribución a nivel de píxel y un método de atribución a nivel de región) para interpretar el modelo a posteriori. La IG difusa para la atribución a nivel de píxel representa mejor las características de la textura, y la atribución a nivel de región representa las regiones de vida de manera más efectiva que la atribución a nivel de píxel, lo que facilita la comprensión humana.