Combinación de clasificación de imágenes y vehículos aéreos no tripulados para estimar el estado de las rosas Explorer

Abstract

La producción de rosas Explorer ha sido históricamente atractiva debido a la aceptación del producto en todo el mundo. Esta especie de rosas presenta una alta sensibilidad al contacto físico y la manipulación, creando un desafío para mantener la calidad final del producto después de la cosecha. En este trabajo, presentamos un sistema que combina las capacidades de visión computacional inteligente y vehículos aéreos no tripulados (UAV) para identificar el estado de las rosas listas para la cosecha. El sistema utiliza un enfoque basado en aprendizaje profundo para estimar los rendimientos del cultivo de rosas Explorer mediante la identificación de capullos abiertos y cerrados en el campo utilizando videos capturados por UAV. La metodología emplea la versión 5 de YOLO, junto con algoritmos DeepSORT y un filtro de Kalman, para mejorar la precisión del conteo. La evaluación del sistema arrojó una precisión promedio (mAP) de 94.1% en el conjunto de datos de prueba, y los resultados del conteo de capullos mostraron una fuerte correlación (R² = 0.998) con el conteo manual. Esta alta precisión permite minimizar la manipulación y los tiempos utilizados para el seguimiento y el proceso de cultivo.