Diseño de implementación de un modelo de machine learning aplicado en agricultura de precisión, para identificar y clasificar paltos según su tamaño

Abstract

La detección precisa de la posición y el tamaño de las copas de árboles frutales es fundamental para el desarrollo de drones rociadores de pesticidas y el diagnóstico de las necesidades específicas de agua y nutrientes de los árboles. Aunque se han realizado investigaciones en varios cultivos, la atención dedicada a los paltos ha sido limitada, lo que ha restringido el avance de nuevas tecnologías en este campo. En este trabajo, se presenta un modelo de segmentación semántica de paltos basado en la arquitectura BEITv2, la cual se basa en aprendizaje generativo y emplea técnicas de Knowledge Distillation, Vector Quantization y Fine-tuning. Como resultado, se logró desarrollar un modelo que alcanzó una overall class accuracy de 92.8 %, una mean accuracy de 62.5 % y una mean IoU de 52.6 % sobre el conjunto de validación de los datos utilizados.

The precise detection of the position and size of fruit tree canopies is essential for the development of pesticide-spraying drones and for diagnosing the specific water and nutrient needs of trees. While research has been conducted on various crops, there has been limited attention given to avocados, hindering the advancement of new technologies in this area. This work introduces a semantic segmentation model for avocado tree canopies based on the BEITv2 architecture, leveraging generative learning and incorporating advanced Machine Learning techniques such as Knowledge Distillation, Vector Quantization, and Fine-tuning. The resulting model achieves an overall class accuracy of 92.8 %, a mean accuracy of 62.5 % and a mean IoU of 52.6 % over the validation split of the dataset used.