Identificación y conteo de frutos en arándanos y uvas por medio de imágenes multiespectrales y deep learning

Abstract

En la actualidad, Chile se ha posicionado y consolidado en la exportación de arándanos, logrando ser el mayor exportador del hemisferio sur desde 2015 a 2018 y los años posteriores junto con Perú [1]. Esto implica un monitoreo y análisis constante para lograr cumplir con los estándares de calidad. Los arándanos poseen características particulares que lo de nen, incluyendo color, diámetro y defectos en su composición física. Aunque estadísticamente las exportaciones han ido en aumento, los productores de baja y media escala realizan el proceso de selección de manera manual, no pudiendo cumplir con los estándares de calidad requeridos en países extranjeros. Es por esto, que surge la necesidad de un análisis exhaustivo, preciso y efi ciente del fruto. Para lograr una clasi ficación y detección precisa del punto de maduración, buscando las condiciones ideales para la cosecha y la toma de decisiones en la postcosecha. De esta forma, en el presente trabajo de título exploramos el potencial de usar métodos de Aprendizaje Automático junto con 400 imágenes que luego aumentamos a 1130 imágenes VISNIR capturadas en un ambiente natural al aire libre, para la clasi cación multiclase y conteo de arándanos de la especie Highbush Legacy, en diferentes etapas de crecimiento. Implementamos tres algoritmos de aprendizaje profundo, YOLOv5, YOLOR y Mask R-CNN, siendo YOLOv5 el con mejor resultado con un mAP (precisi on media) del 85 %, seguido de YOLOR con un mAP 85 %, pero detectando menos arándanos que YOLOv5. Mask R-CNN que a pesar de entrenarlo con pocas etapas alcanzó un mAP del 70 %. Si bien utilizamos algoritmos de ultima generación los resultados indican que tienen una precisión media cercana al 85 %, creemos que funcionaria mejor en aplicaciones donde las imágenes son capturadas con un campo de visión acotado, donde el objeto se aprecia claramente. Y aunque partimos con la hipótesis de que YOLOv5 tiene di ficultades para detectar objetos pequeños que estén de fondo, YOLOv5 muestra la capacidad de detectar arándanos en imágenes con un campo de visión más amplio. Mask R-CNN genera buenos resultados, pero se ve limitado por los recursos computacionales que necesita. Para proyectos futuros se puede usar esta misma metodología para otro tipo de cultivos donde el fruto sea de mayor tamaño como manzana, naranjas, paltas o limones, donde estos algoritmos tendrán un mejor desempeño. Por ahora se deben seguir mejorando los algoritmos y el numero de muestras por cada clase, para poder enfrentar de manera más robusta a las oclusiones y frutos pequeños. Con este estudio, creamos una nueva base de datos con anotaciones para la detección y segmentación de instancias de arándanos, y el repositorio de Github con el código utilizado. Además, se utilizó un conjunto de datos de test idéntico con cada algoritmo, permitiéndonos comparar de forma más estandarizada los resultados. [Conjunto de test].