Weed Recognition in Coffee Crops Using Texture Analysis and Machine Learning
DOI:
https://doi.org/10.22517/23447214.24589Palabras clave:
Café, Reconocimiento de Malezas, Análisis de Textura, Aprendizaje AutomáticoResumen
El presente trabajo presenta los resultados de veinticuatro experimentos realizados con el objetivo de realizar reconocimiento de dos clases de hojas de maleza, asociadas al cultivo de café. 210 imágenes fueron adquiridas, 70 para cada clase de maleza y 70 para las muestras de hojas de café. Todas las imágenes fueron procesadas y transformadas a formato de color HSV. De cada imagen se extrajeron 33 patrones de textura, los cuales fueron reducidos a cuatro mediante análisis de componentes principales. La dimensión fractal de cada hoja fue agregada como quinto patrón. El reconocimiento se realizó mediante la implementación de tres técnicas de aprendizaje automático, máquina de soporte vectorial (SVM), k-vecinos cercanos (KNN) y red neuronal artificial. Las técnicas de aprendizaje automático permitieron una clasificación con precisión y exhaustividad en promedio igual o superior al 95%, cuando no se usó la dimensión fractal, y superior o igual al 97% cuando la dimensión fractal se usó como quinto patrón. SVM y ANN fueron los métodos que lograron mejores resultados. Los experimentos constituyen una primera aproximación a la implementación de un sistema automático de erradicación selectiva de malezas para el cultivo de café.
Descargas
Citas
Y. Blanco and Á. Leyva, “Las Arvenses En El Agroecosistema Y Sus Beneficios Naturales,” Cultivos Tropicales, vol. 28, no. 2, pp. 21–28, 2007, doi: http://dx.doi.org/10.13140/RG.2.2.10964.19844.
E. Gamboa and L. Sánchez, “Control de malezas con herbicidad y métodos mecánicos en plantaciones jóvenes de café,” Bioagro, vol. 16, no. 2, pp. 133–136, 2004.
A. Anzalone and A. Silva, “Evaluación de herbicidas sulfonilureas para el control de malezas en cafetales,” Bioagro, vol. 22, no. 2, pp. 95–104, 2010.
CENICAFE, “Manejo de las malezas o arvenses en los cafetales,” 2004, CENICAFÉ.
C. P. de Souza, T. de A. Guedes, and C. S. Fontanetti, “Evaluation of herbicides action on plant bioindicators by genetic biomarkers: a review,” Environmental Monitoring and Assessment, vol. 188, no. 12, 2016, doi: 10.1007/s10661-016-5702-8.
R. Hoagland and D. B. Clyde, “Controlling herbicide-susceptible, -tolerant and -resistant weeds with microbial bioherbicides,” Outlooks on Pest Management, vol. 27, pp. 196–197, 2016, doi: 10.1564/v27_dec_04.
W. T. Tsai, “Status of herbicide use, regulatory management and case study of paraquat in Taiwan,” Environment, Development and Sustainability, vol. 22, no. 3, pp. 2673–2683, 2018, doi: 10.1007/s10668-018-0293-x.
M. Bilal, H. M. N. Iqbal, and D. Barceló, “Persistence of pesticides-based contaminants in the environment and their effective degradation using laccase-assisted biocatalytic systems,” Science of the Total Environment, vol. 695, 2019, doi: 10.1016/j.scitotenv.2019.133896.
N. M. Freitas, F. C. L. Freitas, I. F. Furtado, M. F. F. Teixeira, and V. F. Silva, “Herbicide mixtures to control dayflowers and drift effect on coffee cultures,” Planta Daninha, vol. 36, 2018, doi: 10.1590/S0100-83582018360100047.
P. V. da Silva, G. C. Barbosa, A. Ferrari, S. M. Tronquini, and P. A. Monquero, “Chemical control strategies of commelina benghalensis in coffee crop,” Coffee Science, vol. 14, no. 2, pp. 231–239, 2019, doi: 10.25186/cs.v14i2.1576.
X. M. de S. Vilela, F. C. L. de Medeiros, A. H. Gonçalves, and L. C. da Silva, “Quizalofop-p-ethyl controlling sourgrass (Digitariavilela insularis)x. m.andde s. egoosegrass (eleusine indica) in infested coffee areas,” Coffee Science, vol. 14, no. 4, pp. 530–537, 2019, doi: 10.25186/cs.v14i4.1646.
J. A. López, D. Villalba, L. F. Salazar, and O. A. Cárdenas, “Manejo integrado de arvenses en el cultivo de café Nueva alternativa de control químico,” Avances Técnicos Cenicafé, pp. 1–8, 2012.
A. Anzalone, M. Arizaleta, and J. Vargas, “Respuesta del cafeto (Coffea arabica) ‘catuaí’ a los herbicidas glifosato, clomazone, linuron, 2,4-D, metsulfuron-metil, rimsulfuron y clorimuron-etil,” Bioagro, vol. 26, no. 1, pp. 3–12, 2014.
H. Menza and L. F. Salazar, “Estudios de resistencia al glifosato en tres arvenses de la zona cafetera colombiana y alternativas para su manejo,” Avances Técnicos Cenicafé, no. 350, 2006.
C. Martínez, “Taller sobre : “ Impactos toxicológicos y ecotoxicológicos asociados ‘ Efectos tóxicos del glifosato y sus formulaciones comerciales ,’” 2011, Facultad de Agronomía Universidad de la República de Uruguay.
M. Arizaleta, A. Anzalone, and A. Silva, “Efecto del uso de metsulfuron-metil y glifosato sobre malezas asociadas a cafetales en venezuela,” Bioagro, vol. 20, no. 2, pp. 79–88, 2008.
J. A. García, E. Alarcón, Y. Hernández, and C. Hernández, “Impact of litter contaminated with glyphosate-based herbicide on the performance of Pontoscolex corethrurus, soil phosphatase activities and soil pH,” Applied Soil Ecology, vol. 104, no. 2015, pp. 31–41, 2016, doi: 10.1016/j.apsoil.2016.03.007.
R. Melloni, E. M. Silve, M. I. N. Alvarenga, E. G. P. Melloni, and E. N. de Alcântara, “Impact of weedcontrol on amf propagules and mycorrhization of coffee trees,” Coffee Science, vol. 12, no. 2, pp. 207–215, 2017.
J. C. Niemeyer, F. B. de Santo, N. Guerra, A. M. Ricardo Filho, and T. M. Pech, “Do recommended doses of glyphosate-based herbicides affect soil invertebrates? Field and laboratory screening tests to risk assessment,” Chemosphere, vol. 198, pp. 154–160, 2018, doi: 10.1016/j.chemosphere.2018.01.127.
P. De Pádua Marafeli, P. R. Reis, L. F. De Oliveira Bernardi, E. N. De Alcântara, and P. A. Martinez, “Effects of weed management on soil mites in coffee plantations in a neotropical environment,” Neotropical Biology and Conservation, vol. 14, no. 2, pp. 275–289, 2019, doi: 10.3897/neotropical.14.e38094.
C. B. de Novais, L. Avio, M. Giovannetti, S. M. de Faria, J. O. Siqueira, and C. Sbrana, “Interconnectedness, length and viability of arbuscular mycorrhizal mycelium as affected by selected herbicides and fungicides,” Applied Soil Ecology, vol. 143, no. June, pp. 144–152, 2019, doi: 10.1016/j.apsoil.2019.06.013.
S. Pochron et al., “Temperature and body mass drive earthworm (Eisenia fetida) sensitivity to a popular glyphosate-based herbicide,” Applied Soil Ecology, vol. 139, no. March, pp. 32–39, 2019, doi: 10.1016/j.apsoil.2019.03.015.
J. A. García-Pérez, E. Alarcón-Gutiérrez, and F. Díaz-Fleischer, “Interactive effect of glyphosate-based herbicides and organic soil layer thickness on growth and reproduction of the tropical earthworm Pontoscolex corethrurus (Müller, 1857),” Applied Soil Ecology, vol. 155, no. July 2019, p. 103648, 2020, doi: 10.1016/j.apsoil.2020.103648.
Y. P. Setyawan, M. Naim, A. D. Advento, and J. P. Caliman, “The effect of pesticide residue on mortality and fecundity of Elaeidobius kamerunicus (Coleoptera: Curculionidae),” IOP Conference Series: Earth and Environmental Science, vol. 468, no. 1, 2020, doi: 10.1088/1755-1315/468/1/012020.
G. Belutti et al., “Phytotoxicity and Growth of Coffee Plants As a Function of The Application of Herbicide 2,4-D,” Coffee Science, vol. 14, no. 4, pp. 438–445, 2019.
D. Toledo, A. de Oliveira, G. Belutti, T. Teruel, P. Menicucci, and R. J. Guimarães, “Growth, anatomy and physiology of coffee plants intoxicated by the herbicide glyphosate,” Coffee Science, vol. 14, no. 1, pp. 76–82, 2019, doi: 10.25186/cs.v14i1.1530.
D. Toledo et al., “Selectivity of the herbicide chlorimuron ethylcastanhon young coffee plants,” Coffee Science, vol. 14, no. 4, pp. 467–472, 2019, doi: 10.25186/cs.v14i4.1615.
L. Parra, J. Marin, S. Yousfi, G. Rincón, P. V. Mauri, and J. Lloret, “Edge detection for weed recognition in lawns,” Computers and Electronics in Agriculture, vol. 176, no. July, 2020, doi: 10.1016/j.compag.2020.105684.
C. A. Pulido-Rojas, M. A. Molina-Villa, and L. E. Solaque-Guzmán, “Machine vision system for weed detection using image filtering in vegetables crops,” Revista Facultad de Ingenieria, vol. 2016, no. 80, pp. 124–130, 2016, doi: 10.17533/udea.redin.n80a13.
X. E. Pantazi, D. Moshou, and C. Bravo, “Active learning system for weed species recognition based on hyperspectral sensing,” Biosystems Engineering, vol. 146, pp. 193–202, 2016, doi: 10.1016/j.biosystemseng.2016.01.014.
R. Raja et al., “Crop signalling: A novel crop recognition technique for robotic weed control,” Biosystems Engineering, vol. 187, pp. 278–291, 2019, doi: 10.1016/j.biosystemseng.2019.09.011.
A. dos Santos Ferreira, D. M. Freitas, G. G. da Silva, H. Pistori, and M. T. Folhes, “Unsupervised deep learning and semi-automatic data labeling in weed discrimination,” Computers and Electronics in Agriculture, vol. 165, no. July, 2019, doi: 10.1016/j.compag.2019.104963.
T. Kounalakis, G. A. Triantafyllidis, and L. Nalpantidis, “Deep learning-based visual recognition of rumex for robotic precision farming,” Computers and Electronics in Agriculture, vol. 165, no. August, 2019, doi: 10.1016/j.compag.2019.104973.
J. Yu, S. M. Sharpe, A. W. Schumann, and N. S. Boyd, “Deep learning for image-based weed detection in turfgrass,” European Journal of Agronomy, vol. 104, no. November 2018, pp. 78–84, 2019, doi: 10.1016/j.eja.2019.01.004.
K. Hu, G. Coleman, S. Zeng, Z. Wang, and M. Walsh, “Graph weeds net: A graph-based deep learning method for weed recognition,” Computers and Electronics in Agriculture, vol. 174, no. April, 2020, doi: 10.1016/j.compag.2020.105520.
H. Jiang, C. Zhang, Y. Qiao, Z. Zhang, W. Zhang, and C. Song, “CNN feature based graph convolutional network for weed and crop recognition in smart farming,” Computers and Electronics in Agriculture, vol. 174, no. April, p. 105450, 2020, doi: 10.1016/j.compag.2020.105450.
R. Raja, T. T. Nguyen, D. C. Slaughter, and S. A. Fennimore, “Real-time weed-crop classification and localisation technique for robotic weed control in lettuce,” Biosystems Engineering, vol. 192, pp. 257–274, 2020, doi: 10.1016/j.biosystemseng.2020.02.002.
R. Raja, T. T. Nguyen, V. L. Vuong, D. C. Slaughter, and S. A. Fennimore, “RTD-SEPs: Real-time detection of stem emerging points and classification of crop-weed for robotic weed control in producing tomato,” Biosystems Engineering, vol. 195, pp. 152–171, 2020, doi: 10.1016/j.biosystemseng.2020.05.004.
T. Ashraf and Y. N. Khan, “Weed density classification in rice crop using computer vision,” Computers and Electronics in Agriculture, vol. 175, no. June, 2020, doi: 10.1016/j.compag.2020.105590.
D. G. Kim, T. F. Burks, J. Qin, and D. M. Bulanon, “Classification of grapefruit peel diseases using color texture feature analysis,” International Journal of Agricultural and Biological Engineering, vol. 2, no. 3, pp. 41–50, 2009, doi: 10.3965/j.issn.1934-6344.2009.03.041-050.
A. Cravero, S. Pardo, S. Sepúlveda, and L. Muñoz, “Challenges to Use Machine Learning in Agricultural Big Data: A Systematic Literature Review,” Mar. 01, 2022, MDPI. doi: 10.3390/agronomy12030748.
P. Dini and S. Saponara, “Analysis, design, and comparison of machine-learning techniques for networking intrusion detection,” Designs (Basel), vol. 5, no. 1, pp. 1–22, 2021, doi: 10.3390/designs5010009.
C. Ji, T. B. Mudiyanselage, Y. Gao, and Y. Pan, “A review of infant cry analysis and classification,” Dec. 01, 2021, Springer Science and Business Media Deutschland GmbH. doi: 10.1186/s13636-021-00197-5.
I. Attri, L. K. Awasthi, and T. P. Sharma, “Machine learning in agriculture: a review of crop management applications,” Multimed Tools Appl, vol. 83, no. 5, pp. 12875–12915, Feb. 2024, doi: 10.1007/s11042-023-16105-2.
M. J. Al Dujaili, A. Ebrahimi-Moghadam, and A. Fatlawi, “Speech emotion recognition based on SVM and KNN classifications fusion,” International Journal of Electrical and Computer Engineering, vol. 11, no. 2, pp. 1259–1264, Apr. 2021, doi: 10.11591/ijece.v11i2.pp1259-1264.
Y. Mu et al., “DenseNet weed recognition model combining local variance preprocessing and attention mechanism,” Front Plant Sci, vol. 13, Jan. 2023, doi: 10.3389/fpls.2022.1041510.
M. H. Saleem, J. Potgieter, and K. M. Arif, “Automation in Agriculture by Machine and Deep Learning Techniques: A Review of Recent Developments,” Dec. 01, 2021, Springer. doi: 10.1007/s11119-021-09806-x.
S. Khan, M. Tufail, M. T. Khan, Z. A. Khan, and S. Anwar, “Deep learning-based identification system of weeds and crops in strawberry and pea fields for a precision agriculture sprayer,” Precis Agric, vol. 22, no. 6, pp. 1711–1727, Dec. 2021, doi: 10.1007/s11119-021-09808-9.
Descargas
-
Vistas(Views): 15
- PDF Descargas(Downloads): 21
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2024 Scientia et Technica
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Derechos de autor y licencias
La revista es de acceso abierto gratuito y sus artículos se publican bajo la licencia Creative Commons Atribución/Reconocimiento-No Comercial-Compartir bajo los mismos términos 4.0 Internacional — CC BY-NC-SA 4.0.
Los autores de un artículo aceptado para publicación cederán la totalidad de los derechos patrimoniales a la Universidad Tecnológica de Pereira de manera gratuita, teniendo en cuenta lo siguiente: En caso de que el trabajo presentado sea aprobado para su publicación, los autores deben autorizar de manera ilimitada en el tiempo, a la revista para que pueda reproducirlo, editarlo, distribuirlo, exhibirlo y comunicarlo en cualquier lugar, ya sea por medios impresos, electrónicos, bases de datos, repositorios, discos ópticos, Internet o cualquier otro medio requerido.
Los cedentes mediante contrato CESIÓN DE DERECHOS PATRIMONIALES declaran que todo el material que forma parte del artículo está totalmente libre de derechos de autor de terceros y, por lo tanto, se hacen responsables de cualquier litigio o reclamación relacionada o reclamación relacionada con derechos de propiedad intelectual, exonerando de toda responsabilidad a la Universidad Tecnológica de Pereira (entidad editora) y a su revista Scientia et Technica. De igual forma, los autores aceptan que el trabajo que se presenta sea distribuido en acceso abierto gratuito, resguardando los derechos de autor bajo la licencia Creative Commons Atribución/Reconocimiento-No Comercial- Compartir bajo los mismos términos 4.0 Internacional — CC BY-NC-SA 4.0.
https://creativecommons.org/licenses/by-nc-sa/4.0/
A los autores, la revista Scientia et Technica tiene la obligación de respetarle los derechos morales (artículo 30 de la Ley 23 de 1982 del Gobierno Colombiano) que se les debe reconocen a estos la paternidad de la obra, el derecho a la integridad y el derecho de divulgación. Estos no se pueden ceder ni renunciar.