Využití metod strojového učení pro detekci plevelů v plodinách

Bc. Adam Hruška

Master's thesis

Using of machine learning methods for weed detection in crops

Anotácia:

Primárním cílem práce bylo ověření možností využití morfologických znaků plevelných rostlin pro jejich detekci na bázi strojového učení. Pro dosažení cíle bylo nutné nasbírat dostatečný objem relevantních dat, které následně sloužily jako báze pro trénink a evaluaci modelu strojového vidění. Příprava vhodné platformy pro sběr dat, společně se systematickou přípravou získaných snímků pro trénink modelu, tvořila dílčí cíle práce. Jednotlivé procesy analýzy byly realizovány na základě empirických poznatků z obdobně směřovaných výzkumů a kontextu lokální agrární sféry. Druhotnými cíli práce bylo v první řadě ověření výstupů vlastního modelu tréninkem v současnosti prakticky používaného modelu YOLOv3, v řadě druhé se jednalo o empirické ověření problematiky praktického využívání technologie v ekonomické a technologické rovině. Na základě empirických poznatků bylo pro účely analýzy vybráno rozhraní infračerveného pásma snímků, které nabízelo efektivnější oddělení snímaných objektů od jejich pozadí. Snímky samotné zachycovaly 18 druhů plevelných rostlin, které lze v kontextu polního hospodářství v České republice považovat za signifikantní pro ovlivnění výnosu plodin, zejména okopanin. Jednotlivé plevelné rostliny byly na snímcích v rámci přípravy ručně anotovány a výsledný dataset prošel cílenými úpravami zodpovědnými za efektivní zvětšení objemu dat. Před počátkem tréninku byla data náhodně rozdělena na tréninková, evaluační a testovací v poměru 70:10:20. Samotný trénink obou modelů následoval jednotnou logiku vstupu připravených dat a následného statistického ověření výsledků. Výsledky obou modelů překročily hranici 90 % přesnosti, kdy vlastní model dosahoval na testovacích datech 94,5 % úspěšnosti detekce při rychlosti zpracování 28 ms na snímek. Model YOLOv3 ve srovnání dosáhl hodnot 97,92 % úspěšnosti při rychlosti zpracování 22,8 ms na snímek. Ačkoliv se jednalo o znatelné rozdíly ve výsledcích, tak aplikace modelu YOLOv3 prakticky potvrdila fungování vlastního modelu vzhledem k jeho experimentálnímu formátu. Empirické posouzení aplikovatelnosti modelů do prostředí praxe na jedné straně potvrdilo reálnost implementace, ovšem na straně druhé vyzdvihlo i řadu slabých stránek a hrozeb pro fungování technologie.

Abstract:

The primary goal of the analysis consists of the use of morphological features of weeds for their detection through machine learning. For successful completion of the analysis, the computer vision model required immense amounts of relevant data for training and evaluation. The preparation of a data-gathering platform as well as the systematic preparation of the obtained images were the main sectional goals of the thesis. The processes of the analysis were conducted on the basis of the empirical knowledge from similar research and the context of local agricultural industry. Secondary goals of the analysis included the comparison of the model through training of the state-of-the-art model YOLOv3 on the same data. And the empirical evaluation of the potential for the practical implementation of the technology in the context of economic and technological elements. Empirical data led to the choice of the near infrared spectrum of the images, thanks to its more effective elimination of the background from the targeted objects. The data included 18 species of weeds, which in the context of the agricultural industry of the Czech Republic pose a significant threat to crop yields, especially in case of root crops. Each image was manually annotated, and the final dataset went through selected adjustments effectively doubling the amount of data. The dataset was randomly split into three parts for training, evaluation and testing with the ratio of 70:10:20 prior to the training phase. The training itself followed identical approaches for both models with the training and subsequent statistical evaluation of the results. Both models achieved more than 90 % accuracy. The testing of the original model resulted in 95.5 % accuracy in detection and identification with the processing speed of 28 ms per image. The YOLOv3 achieved 97.92 % accuracy and speed of 22.8 ms per image. Despite the differing results, the application of YOLOv3 validated the original model because of its experimental format. The empirical analysis resulted in the confirmation of the potential practical implementation of the technology, but at the same time highlighted the weaknesses and potential threats to the operation of the computer vision in agriculture.

Kľúčové slová

Detekce plevelů, Strojové učení, Analýza obrazu, Neuronové sítě, RGB snímky

Keywords

Weed detection, Machine learning, Visual analysis, RGB pictures, Neural networks

Jazyk práce: Czech

Datum vytvoření / odevzdání či podání práce: 14. 4. 2022

Obhajoba závěrečné práce

• Vedúci: Ing. Pavel Hamouz, Ph.D.

Czech University of Life Sciences Prague

Faculty of Agrobiology, Food and Natural Resources

Master programme / specializace:
Plant Production / Crop Production