Un equipo de investigadores ha estudiado la eficacia de AlexNet, una variante avanzada de la red neuronal convolucional (CNN), para la clasificación automática de cultivos utilizando imágenes aéreas de alta resolución obtenidas por vehículos aéreos no tripulados. Sus hallazgos demostraron que AlexNet superó sistemáticamente a las CNN convencionales.
por la Academia China de Ciencias
Este estudio destaca el potencial de integrar el aprendizaje profundo con datos de UAV para mejorar la agricultura de precisión, enfatizando la importancia de las técnicas de detención temprana para evitar el sobreajuste y sugiriendo una mayor optimización para aplicaciones de clasificación de cultivos más amplias.
Se prevé que para 2030 la población mundial crecerá hasta los 9.000 millones, lo que aumentará significativamente la demanda de alimentos. En la actualidad, los desastres naturales y el cambio climático son amenazas importantes para la seguridad alimentaria, lo que hace necesaria una clasificación oportuna y precisa de los cultivos para mantener una producción adecuada de alimentos. A pesar de los avances en teledetección y aprendizaje automático para la clasificación de cultivos, persisten desafíos, como la dependencia del conocimiento de expertos y la pérdida de información.
Un artículo de investigación publicado en Technology in Agronomy el 28 de mayo de 2024 tiene como objetivo evaluar el desempeño de AlexNet, un modelo basado en CNN , para la clasificación del tipo de cultivo en granjas mixtas de pequeña escala.
En este estudio, se emplearon los modelos AlexNet y CNN convencionales para evaluar la eficiencia de la clasificación de cultivos utilizando imágenes de UAV de alta resolución. Ambos modelos se entrenaron con hiperparámetros, incluidos 30 a 60 épocas, una tasa de aprendizaje de 0,0001 y un tamaño de lote de 32. AlexNet, con su profundidad de 8 capas, logró una precisión de entrenamiento del 99,25 % y una precisión de validación del 71,81 % en 50 épocas, lo que demuestra su rendimiento superior.
Por el contrario, el modelo CNN de 5 capas alcanzó su máxima precisión de entrenamiento del 62,83 % y su precisión de validación del 46,98 % en 60 épocas. El rendimiento de AlexNet disminuyó ligeramente en 60 épocas debido al sobreajuste, lo que pone de relieve la necesidad de mecanismos de detención temprana.
Los resultados indican que, si bien ambos modelos mejoran con más épocas, AlexNet supera consistentemente a la CNN convencional, particularmente en el manejo de conjuntos de datos complejos y el mantenimiento de altos niveles de precisión.
Esto sugiere que AlexNet es más adecuado para una clasificación precisa y eficiente de cultivos en la agricultura de precisión, aunque se debe tener cuidado para mitigar el sobreajuste en el entrenamiento prolongado.
Según el investigador principal del estudio, Oluibukun Gbenga Ajayi, «A la luz del sobreajuste observado, recomendamos encarecidamente implementar técnicas de detención temprana, como se demostró en este estudio en 50 épocas, o modificar los hiperparámetros de clasificación para optimizar el rendimiento de AlexNet siempre que se detecte sobreajuste».
Las investigaciones futuras se centrarán en ampliar las capacidades de AlexNet, optimizar el preprocesamiento y refinar los hiperparámetros para mejorar aún más la precisión de la clasificación de cultivos y apoyar los esfuerzos mundiales de seguridad alimentaria .
Más información: Oluibukun Gbenga Ajayi et al, Optimización de la clasificación de cultivos en agricultura de precisión mediante AlexNet e imágenes de UAV de alta resolución, Technology in Agronomy (2024). DOI: 10.48130/tia-0024-0009
