Deep W2net: Red basada en el aprendizaje profundo tipo YOLO para la detección precisa de malas hierbas en campos de trigo
Resumen
Objetivo del estudio: Detectar malas hierbas en las regiones productoras de trigo del noroeste de la India mediante una nueva red Deep W2net, con el fin de mejorar la protección del cultivo del trigo.
Área de estudio: Noroeste de la India.
Material y métodos: La secuencia de video capturada se transformó en fotogramas, los cuales fueron filtrados para mejorar la claridad de la imagen mediante el realce de bordes y la reducción del desenfoque. Las imágenes filtradas se ampliaron para incrementar el tamaño del conjunto de datos de entrenamiento. La red propuesta Deep W2net integra los módulos Squeeze and Excitation (SE) y Swin Transformer (ST) dentro de la red YOLO (SET-YOLO) para una detección eficiente de malas hierbas. El módulo SE ajusta las dependen-cias entre los canales del núcleo convolucional, mientras que el módulo ST permite analizar las relaciones espaciales en múltiples escalas.
Resultados principales: La red propuesta Deep W2net alcanza una precisión del 99,16 % en la detección de malas hierbas en campos de trigo. El modelo propuesto mejora la precisión global en un 4,19 %, 1,47 % y 6,51 % en comparación con las técnicas existentes como CNN, CSCW, YOLOV7 y YOLOV8, respectivamente.
Aspectos destacados de la investigación: El método Deep W2net propuesto demuestra un avance significativo en la detección de malas hierbas para maximizar la productividad del trigo, lo que podría conducir a una gestión de cultivos más eficiente y precisa.
Descargas
Citas
De Camargo T, Schirrmann M, Landwehr N, Dammer KH, Pflanz M (2021). Optimized deep learning model as a basis for fast UAV mapping of weed species in winter wheat crops. Remote Sensing, 13(9), 1704. https://doi.org/10.3390/rs13091704
El-Kenawy ESM, Khodadadi N, Mirjalili S, Makarovskikh T, Abotaleb M, Karim FK, Khafaga DS (2022). Metaheuristic optimization for improving weed detection in wheat images captured by drones. Mathematics, 10(23), 4421. https://doi.org/10.3390/math10234421
Espejo-Garcia B, Mylonas N, Athanasakos L, Fountas S, Vasilakoglou I (2020). Towards weeds identification assistance through transfer learning. Computers and Electronics in Agriculture, 171, 105306. https://doi.org/10.1016/j.compag.2020.105306
Haq MA (2022). CNN based automated weed detection system using UAV imagery. Computer Systems Science and Engineering, 42(2), 837–849. https://doi.org/10.32604/csse.2022.023016
Haq SIU, Tahir MN, Lan Y (2023). Weed detection in wheat crops using image analysis and artificial intelligence (AI). Applied Sciences, 13(15), 8840. https://doi.org/10.3390/app13158840
He C, Wan F, Ma G, Mou X, Zhang K, Wu X, Huang X (2024). Analysis of the Impact of Different Improvement Methods Based on YOLOv8 for Weed Detection. Agriculture, 14(5), 674. https://doi.org/10.3390/agriculture14050674
Horvath DP, Clay SA, Swanton CJ, Anderson JV, Chao WS (2023). Weed-induced crop yield loss: a new paradigm and new challenges. Trends in Plant Science, 28(5), 567–582. https://doi.org/10.1016/j.tplants.2022.12.014
Jabir B, Falih N (2022). Deep learning-based decision support system for weeds detection in wheat fields. International Journal of Electrical and Computer Engineering, 12(1), 816–825. https://doi.org/10.11591/ijece.v12i1.pp816-825
Li Z, Wang D, Yan Q, Zhao M, Wu X, Liu X (2024). Winter wheat weed detection based on deep learning models. Computers and Electronics in Agriculture, 227, 109448. https://doi.org/10.1016/j.compag.2024.109448
Liu Q, Wu T, Deng Y, Liu Z (2023). Se-YOLOv7 landslide detection algorithm based on attention mechanism and improved loss function. Land, 12(8), 1522. https://doi.org/10.3390/land12081522
Liu T, Jin X, Zhang L, Wang J, Chen Y, Hu C, Yu J (2023). Semi-supervised learning and attention mechanism for weed detection in wheat. Crop Protection, 174, 106389. https://doi.org/10.1016/j.cropro.2023.106389
Liu Y, Zeng F, Diao H, Zhu J, Ji D, Liao X, Zhao Z (2024). YOLOv8 Model for Weed Detection in Wheat Fields Based on a Visual Converter and Multi-Scale Feature Fusion. Sensors, 24(13), 4379. https://doi.org/10.3390/s24134379
Ma J, Li Y, Du K, Zheng F, Zhang L, Gong Z, Jiao W (2020). Segmenting ears of winter wheat at flowering stage using digital images and deep learning. Computers and Electronics in Agriculture, 168, 105159. https://doi.org/10.1016/j.compag.2019.105159
Mateen A, Zhu Q (2019). Weed detection in wheat crop using UAV for precision agriculture. Pakistan Journal of Agricultural Sciences, 56, 809–817. https://doi.org/10.21162/PAKJAS/19.8036
Mota-Delfin C, López-Canteñs GDJ, López-Cruz IL, Romantchik-Kriuchkova E, Olguín-Rojas JC (2022). Detection and counting of corn plants in the presence of weeds with convolutional neural networks. Remote Sensing, 14(19), 4892. https://doi.org/10.3390/rs14194892
Selvi CT, Subramanian RS, Ramachandran R (2021). Weed detection in agricultural fields using deep learning process. En: 2021 7th International Conference on Advanced Computing and Communication Systems (ICACCS), vol. 1, pp. 1470–1473. IEEE. https://doi.org/10.1109/ICACCS51430.2021.9441683
Shapira U, Herrmann I, Karnieli A, Bonfil DJ (2013). Field spectroscopy for weed detection in wheat and chickpea fields. International Journal of Remote Sensing, 34(17), 6094–6108. https://doi.org/10.1080/01431161.2013.793860
Wang K, Hu X, Zheng H, Lan M, Liu C, Liu Y, Tan S (2024). Weed detection and recognition in complex wheat fields based on an improved YOLOv7. Frontiers in Plant Science, 15, 1372237. https://doi.org/10.3389/fpls.2024.1372237
Wang X, Huang J, Feng Q, Yin D (2020). Winter wheat yield prediction at county level and uncertainty analysis in main wheat-producing regions of China with deep learning approaches. Remote Sensing, 12(11), 1744. https://doi.org/10.3390/rs12111744
Wang Y, Zou H, Yin M, Zhang X (2023). Smff-yolo: A scale-adaptive YOLO algorithm with multi-level feature fusion for object detection in UAV scenes. Remote Sensing, 15(18), 4580. https://doi.org/10.3390/rs15184580
Wu H, Wang Y, Zhao P, Qian M (2023). Small-target weed-detection model based on YOLO-V4 with improved backbone and neck structures. Precision Agriculture, 24(6), 2149–2170. https://doi.org/10.1007/s11119-023-10035-7
Wu Z, Chen Y, Zhao B, Kang X, Ding Y (2021). Review of weed detection methods based on computer vision. Sensors, 21(11), 3647. https://doi.org/10.3390/s21113647
Xu K, Li H, Cao W, Zhu Y, Chen R, Ni J (2020). Recognition of weeds in wheat fields based on the fusion of RGB images and depth images. IEEE Access, 8, 110362–110370. https://doi.org/10.1109/ACCESS.2020.3001999
Xu K, Shu L, Xie Q, Song M, Zhu Y, Cao W, Ni J (2023). Precision weed detection in wheat fields for agriculture 4.0: A survey of enabling technologies, methods, and research challenges. Computers and Electronics in Agriculture, 212, 108106. https://doi.org/10.1016/j.compag.2023.108106
Xu K, Zhu Y, Cao W, Jiang X, Jiang Z, Li S, Ni J (2021). Multi-modal deep learning for weeds detection in wheat field based on RGB-D images. Frontiers in Plant Science, 12, 732968. https://doi.org/10.3389/fpls.2021.732968
Zhang S, Huang W, Wang Z (2021). Combing modified Grabcut, K-means clustering and sparse representation classification for weed recognition in wheat field. Neurocomputing, 452, 665–674. https://doi.org/10.1016/j.neucom.2020.06.140
Zou K, Liao Q, Zhang F, Che X, Zhang C (2022). A segmentation network for smart weed management in wheat fields. Computers and Electronics in Agriculture, 202, 107303. https://doi.org/10.1016/j.compag.2022.107303
Zou K, Chen X, Wang Y, Zhang C, Zhang F (2021). A modified U-Net with a specific data argumentation method for semantic segmentation of weed images in the field. Computers and Electronics in Agriculture, 187, 106242. https://doi.org/10.1016/j.compag.2021.106242
Derechos de autor 2025 Consejo Superior de Investigaciones Científicas (CSIC)
Esta obra está bajo licencia internacional Creative Commons Reconocimiento 4.0.
© CSIC. Los originales publicados en las ediciones impresa y electrónica de esta Revista son propiedad del Consejo Superior de Investigaciones Científicas, siendo necesario citar la procedencia en cualquier reproducción parcial o total.
Salvo indicación contraria, todos los contenidos de la edición electrónica se distribuyen bajo una licencia de uso y distribución “Creative Commons Reconocimiento 4.0 Internacional ” (CC BY 4.0). Consulte la versión informativa y el texto legal de la licencia. Esta circunstancia ha de hacerse constar expresamente de esta forma cuando sea necesario.
No se autoriza el depósito en repositorios, páginas web personales o similares de cualquier otra versión distinta a la publicada por el editor.
