Procesamiento de imágenes hiperespectrales mediante redes neuronales convolucionales aplicado a la agricultura

Laburpena

Las imágenes hiperespectrales y el aprendizaje automático han despertado un gran interés en la teledetección agrícola debido a su mayor potencial en la monitorización y gestión de cultivos. Esta tesis doctoral trata sobre la monitorización y gestión de cultivos mediante aplicaciones de teledetección hiperespectral. El objetivo principal de esta tesis doctoral es desarrollar nuevos métodos basados en imágenes hiperespectrales y técnicas de aprendizaje automático para la clasificación del estado de maduración de manzanas y para la estimación de la sobredosis de nitrógeno en hojas de tomate. Este compendio se centra en tres grandes hitos, reflejados en tres publicaciones: • El primer artículo explora un nuevo método para la estimación no destructiva del estado de madurez de las manzanas Fuji mediante espectroscopia visible e infrarroja cercana y un clasificador de red neuronal convolucional o CNN (Convolutional Neural Network). Para evaluar la eficacia del método propuesto, el modelo CNN se comparó con tres clasificadores de aprendizaje automático que incluían redes neuronales artificiales o ANN (Artificial Neural Networks), máquinas de vectores de soporte o SVM (Support Vector Machines) y k-vecinos más próximos o KNN (k-Nearest Neighbors). Según los resultados obtenidos, el clasificador CNN tuvo un rendimiento excelente en comparación con los demás clasificadores, produciendo una tasa de clasificación correcta (CCR) del 96,5%, en comparación con una media del 89,5%, 95,93% y 91,68% para ANN, SVM y KNN, respectivamente. • El segundo artículo aborda el estudio de la detección precoz de la aplicación excesiva de nitrógeno en las hojas de la variedad de tomate Royal. Para ello, se han estudiado un conjunto de diferentes clasificadores de aprendizaje automático, incluyendo dos clasificadores supervisados clásicos, a saber, análisis discriminante lineal o LDA (Linear Discriminant Analysis) y SVMs, tres clasificadores híbridos de redes neuronales artificiales, a saber, algoritmo imperialista competitivo o ANN-ICA (imperialist competitive algorithm), búsqueda armónica o ANN-HS (Harmony Search) y algoritmo de abejas o ANN-BA (Bees Algorithm) y cuatro clasificadores de CNN. La mejor precisión de predicción media, con un CCR del 91,6%, la obtuvo CNN con seis capas convolucionales. Los demás métodos (LDA, SVM, ANN-ICA, ANN-HS, ANN-BA) y las demás CNN obtuvieron resultados similares, entre el 68,5% y el 90,8%. • El tercer artículo continúa la misma línea de investigación en la estimación de nitrógeno en las hojas de tomate de la variedad Royal. En este caso, se aplicó un mecanismo de atención al mejor modelo de CNN previamente diseñado para minimizar la información redundante en los espectros de entrada, extrayendo los espectros más relevantes de las imágenes HSI. Los resultados experimentales mostraron que la CNN con atención obtuvo mejores resultados que la CNN sola y alcanzó un CCR del 97,33%, frente a un CCR del 94,94% de la CNN sola. En conclusión, se han desarrollado métodos no destructivos basados en imágenes hiperespectrales y técnicas de aprendizaje automático para estimar el estado de crecimiento de las manzanas y la cantidad de nitrógeno requerida en las hojas de tomates. El método propuesto para estimar el estado de madurez de las manzanas demuestra ser una herramienta útil para la evaluación rápida y precisa de la calidad de las manzanas en las operaciones de cosecha o postcosecha. Como investigación futura, será interesante probar los resultados con grandes conjuntos de datos y los intervalos espectrales más eficientes. El método propuesto para detectar la cantidad de nitrógeno en hojas de tomate también ha demostrado ser una herramienta útil para la estimación temprana de la sobredosis de nitrógeno en las hojas de tomate. Para futuras investigaciones, sería interesante investigar cómo funciona la estrategia propuesta con otros cultivos. El desarrollo de un nuevo modelo CNN con un mecanismo de atención que pueda aprender información de características espaciales y espectrales a partir de imágenes hiperespectrales para detectar conjuntamente hojas anormales y exceso de nitrógeno es otro campo potencial de investigación futura.