El uso de dispositivos UAV (vehículos aéreos no tripulados) está revolucionando el mundo de la agricultura. Cuando se habla de agricultura de precisión y el uso de drones en el informe: «Un ojo en el cielo para la agricultura: la revolución de los drones», la Organización para la Agricultura y la Alimentación escribe «En el entorno actual, el uso de tecnologías de la información y la comunicación sostenibles en la agricultura no es un opción. Es una necesidad «.
Según un estudio de Munich Reinsurance American Inc., casi tres de cada cuatro agricultores de EE. UU. Están «actualmente utilizando o considerando adoptar tecnología de drones para evaluar, monitorear y administrar sus granjas».
Jason Dunn, experto en productos estratégicos de Munich Reinsurance American Inc. dijo: “Ya sea que una granja tenga menos de 100 o más de 5,000 acres, los drones pueden ser los ojos y los oídos de los agricultores que desean monitorear y administrar de manera eficiente y rentable cultivos, ganado y condiciones del suelo «.
Estudio de caso: un productor de café
Los UAV permiten a los agricultores, con nuevos tipos de datos, monitorear sus rendimientos. Los agricultores tienen información más precisa para tomar mejores decisiones y enfocarse en lo que son buenos.
Si bien gran parte del software utilizado en la agricultura de precisión permite el análisis del NDVI (índice de vegetación de diferencia normalizada) del rendimiento, se puede extraer y analizar mucha más información a partir de estos datos. Gracias a nuestro uso innovador y patentado de Machine Learning, Picterra brinda a los usuarios la capacidad de crear detectores personalizados, que identifican, cuentan y localizan objetos identificables en imágenes de drones y satélites. En el caso de la agricultura, los agricultores pueden, por ejemplo, segmentar automáticamente sus campos o contar el número de plantas.
La creación de un detector personalizado permite una aplicación variable en diferentes momentos:
Estimación del rendimiento de la cosecha contando cultivos individuales en la emergencia inicial dentro de los campos
Identificación y ubicación de enfermedades o pérdida de rendimiento mediante la comparación de dos conjuntos de imágenes y la selección de un área de resultados específica.
Configuración de mapas de estrés de cultivos con orientación de encuestas de agronomía
Uno de nuestros clientes, un productor de arábica en Brasil, utiliza la plataforma Picterra para detectar y monitorear sus cultivos de café. Utilizando un dron, produjo imágenes detalladas que cubrían 8 hectáreas de campos, con una alta resolución de 5 cm. Luego creó un detector personalizado para detectar automáticamente los cultivos de café dentro de sus campos. Al utilizar el detector, pudo llegar a una estimación del rendimiento de la cosecha, que resultó ser mucho más precisa que los métodos de conteo manual anteriores, ya que conocía el número exacto y la ubicación de las cosechas. Más adelante en la temporada, el productor identificó las áreas menos productivas de estos campos comparando el número de plantas en cada área. Con tal análisis, pudo concentrarse en zonas del campo que necesitaban una atención especial. Además, ahora usa niveles mucho más bajos de pesticidas en general.
Entonces, en menos de 10 minutos, este cultivador ha creado un detector para contar el número de cultivos de arábica dentro de sus campos, y con solo unos pocos clics, obtuvo los resultados y el análisis de los objetos específicos a los que apunta su detector personalizado.
Paul, nuestro analista de datos ( paul.duperrex@picterra.ch ), explica cómo lo hizo:
Cómo se puede crear un detector personalizado
Con la plataforma Picterra, cualquiera puede acceder y utilizar nuestros modelos de aprendizaje automático (ML) fácilmente, sin ningún conocimiento previo de inteligencia artificial o ciencia de datos. La plataforma no requiere habilidades de codificación y no es necesario ser un experto técnico. Para crear un detector de modelo ML, el primer paso es enseñarle a su detector personalizado lo que ve, dónde está la información relevante, lo que está buscando y también lo que no está buscando. Te explicamos cómo lo haces paso a paso.
Subir imagenes
Después de haber creado una cuenta, debe cargar imágenes de su proyecto. Se puede cargar en múltiples formatos (.tiff, .tif, .png, .jpeg) con un tamaño máximo de 10 GB. Una segunda opción con la plataforma es cargar imágenes satelitales desde Mapbox.
En el caso de nuestro productor de café, las imágenes son producidas por drones con una resolución de 5cm, en formato .tif. Estas imágenes luego se cargan en la plataforma.
Figura 1: Biblioteca de imágenes del proyecto
Entrena al detector
El siguiente paso es crear un detector para su caso de uso. Cada detector es personalizado y entrenado por el usuario para satisfacer sus necesidades. Primero, el usuario indica al detector dónde está la información relevante dibujando áreas de entrenamiento. El detector se enfocará y se entrenará a sí mismo con información dentro de estas áreas. Dentro de las áreas de entrenamiento, el usuario anota cada objeto que está buscando, sin perder uno. La información que no está anotada dentro de las áreas de entrenamiento es segmentada por el detector como objetos no deseados.
Para la detección de cultivos de café, el productor crea un área de capacitación con aproximadamente diez cultivos. Luego, anota los cultivos con círculos. Para mejorar la precisión de los resultados, el productor agrega algunos contraejemplos con colores similares. Esto significa resaltar áreas de entrenamiento sin anotaciones. Indica al detector lo que no le interesa al productor, como el bosque o la hierba.
Iterar el proceso
Luego, el usuario ejecuta el modelo de detector para una primera iteración. Es necesario revisar los resultados para concluir si el detector está funcionando bien. Los resultados dependerán de la información proporcionada – las áreas de entrenamiento y las anotaciones – y de la diversidad de características dentro de las imágenes. Por lo tanto, cuanta más información le dé al detector, más preciso será. Entonces, las imágenes con muchos colores, texturas y tamaños de objetos diferentes pueden necesitar más atención y múltiples iteraciones para obtener resultados precisos. Tenga en cuenta que si los objetos son fáciles de distinguir a simple vista, el detector no tendrá ninguna dificultad. Después de cada iteración, el detector se puede mejorar agregando más áreas de entrenamiento y anotaciones. Lea nuestro artículo sobre detección de ovejas para seguir un ejemplo de proceso iterativo completo:https://picterra.ch/2019/03/25/a-crash-intro-into-ai-powered-object-detection/
El caso de los cultivos de café no es complicado y los cultivos son bastante fáciles de distinguir. Los primeros resultados ya son muy buenos. Sin embargo, para obtener resultados precisos en los demás, el productor agrega un par de anotaciones adicionales de cultivos y algunos contraejemplos más.
Obtenga los resultados
Los resultados finales pueden descargarse en el formato deseado y agregarse al software GIS (Sistema de Información Geográfica). También es posible generar un informe .pdf de los resultados para incluir en su proyecto.
El detector está listo para extenderse a todo el proyecto y se ejecuta en otras imágenes. Después de haber invertido algo de tiempo para crear un detector, puede implementarlo en todas las imágenes que desee con un solo clic, lo que le ahorrará mucho tiempo.