Resumen
El TFG realizado, denominado ”Sistema basado en Edge-AI para detección de anomalías en cultivos”, tiene como objetivo el desarrollar un sistema de detección de maleza en cultivos de zanahorias, aplicando técnicas de visión artificial e inteligencia artificial en el contexto de la agricultura de precisión. La finalidad del estudio es optimizar el uso de herbicidas, reduciendo su uso innecesario y al mismo tiempo mejorar la calidad de cultivos y el impacto ambiental asociado.
Uno de los objetivos clave del presente trabajo es demostrar la viabilidad y eficiencia del uso de Edge-AI en dispositivos de bajo consumo energético, concretamente la Nvidia Jetson Nano, dentro del contexto de agricultura de precisión. Aunque se ha tomado como caso un estudio de detección de maleza en cultivos de zanahoria, el foco del estudio radica en validar una arquitectura basada en Edge Computing capaz de ejecutar algoritmos de inteligencia artificial en tiempo real, con baja latencia, mayor privacidad de datos e independiente a localizaciones con baja conectividad.
La metodología seguida consiste en utilizar un algoritmo de segmentación semántica, debido a la segmentación a nivel de pixeles de imágenes de cultivos de zanahoria. Se han comparado distintos modelos de redes convolucionales, tomando como solución el algoritmo de U-Net debido a su equilibrio en resultados tanto de entrenamiento como de validación, basándose en la métrica mIoU, y a su rendimiento en estos dispositivos de bajo rendimiento. El algoritmo final, además ha sido optimizado utilizando TensorRT garantizando el correcto funcionamiento en este dispositivo de borde.
También, se ha desarrollado un sistema de almacenamiento que permite monitorizar la evolución temporal de la presencia de maleza en cultivos de zanahoria, a través de la visualización del porcentaje de superficie afectada en cada momento. Esto proporciona al agricultor o agricultora una herramienta automática de seguimiento de detección de maleza y aplicación de herbicida, garantizando así un control y trazabilidad sobre el tratamiento aplicado.
En conclusión, el sistema desarrollado permite avanzar hacia una solución práctica y sostenible para el control de maleza, contribuyendo a la optimización del uso de herbicida, garantizando una reducción de la huella ecológica y una mayor productividad agrícola, suponiendo una mejor compensación económica también al agricultor o agricultora. Se plantea como una base fiable para ampliaciones o adaptaciones a otros tipos de cultivo con un caso de uso similar.
Abstract
The Final Degree Project titled ’Edge-AI-based system for the detection of crop anomalies’, aims to develop a weed detection system for carrot crops by applying computer vision and artificial intelligence techniques in the context of precision agriculture. The main goal of the study is to optimize herbicide use, minimize unnecessary applications while improving crop quality and reducing associated environmental impact.
One of the key objectives of this work is to demonstrate the feasibility and efficiency of using Edge-AI on low-power devices, specifically the Nvidia Jetson Nano, within the context of precision agriculture. Although a weed detection system in carrot crops has been used as a case study, the main focus of the project is to validate an Edge Computing architecture capable of running artificial intelligence algorithms in real time, with low latency, enhanced data privacy, and independence from network connectivity.
The proposed methodology is based on the use of a semantic segmentation algorithm, due to the need for pixel-level classification of images from carrot crops. Various convolutional neural network models were compared, and U-Net was selected as the final solution, offering balanced performance in both training and validation based on the mIoU metric, as well as efficient execution on low-resource hardware. Furthermore, the algorithm was optimized using TensorRT to ensure proper performance on the edge device.
A storage system was also developed to monitor the temporal evolution of the presence of weeds in the carrot fields by visualizing the percentage of affected surfaces over time. This provides farmers with an effective monitoring tool for the automated weed detection and herbicide application system, ensuring better control and traceability of the treatment process.
In conclusion, the developed system offers a practical and sustainable solution for weed control, contributing to the optimization of herbicide use, reducing the ecological footprint, and improving agricultural productivity. It also represents a solid foundation for future extensions or adaptations to other types of crops with similar use cases.
Resumen
El TFG realizado, denominado ”Sistema basado en Edge-AI para detección de anomalías en cultivos”, tiene como objetivo el desarrollar un sistema de detección de maleza en cultivos de zanahorias, aplicando técnicas de visión artificial e inteligencia artificial en el contexto de la agricultura de precisión. La finalidad del estudio es optimizar el uso de herbicidas, reduciendo su uso innecesario y al mismo tiempo mejorar la calidad de cultivos y el impacto ambiental asociado.
Uno de los objetivos clave del presente trabajo es demostrar la viabilidad y eficiencia del uso de Edge-AI en dispositivos de bajo consumo energético, concretamente la Nvidia Jetson Nano, dentro del contexto de agricultura de precisión. Aunque se ha tomado como caso un estudio de detección de maleza en cultivos de zanahoria, el foco del estudio radica en validar una arquitectura basada en Edge Computing capaz de ejecutar algoritmos de inteligencia artificial en tiempo real, con baja latencia, mayor privacidad de datos e independiente a localizaciones con baja conectividad.
La metodología seguida consiste en utilizar un algoritmo de segmentación semántica, debido a la segmentación a nivel de pixeles de imágenes de cultivos de zanahoria. Se han comparado distintos modelos de redes convolucionales, tomando como solución el algoritmo de U-Net debido a su equilibrio en resultados tanto de entrenamiento como de validación, basándose en la métrica mIoU, y a su rendimiento en estos dispositivos de bajo rendimiento. El algoritmo final, además ha sido optimizado utilizando TensorRT garantizando el correcto funcionamiento en este dispositivo de borde.
También, se ha desarrollado un sistema de almacenamiento que permite monitorizar la evolución temporal de la presencia de maleza en cultivos de zanahoria, a través de la visualización del porcentaje de superficie afectada en cada momento. Esto proporciona al agricultor o agricultora una herramienta automática de seguimiento de detección de maleza y aplicación de herbicida, garantizando así un control y trazabilidad sobre el tratamiento aplicado.
En conclusión, el sistema desarrollado permite avanzar hacia una solución práctica y sostenible para el control de maleza, contribuyendo a la optimización del uso de herbicida, garantizando una reducción de la huella ecológica y una mayor productividad agrícola, suponiendo una mejor compensación económica también al agricultor o agricultora. Se plantea como una base fiable para ampliaciones o adaptaciones a otros tipos de cultivo con un caso de uso similar.
Abstract
The Final Degree Project titled ’Edge-AI-based system for the detection of crop anomalies’, aims to develop a weed detection system for carrot crops by applying computer vision and artificial intelligence techniques in the context of precision agriculture. The main goal of the study is to optimize herbicide use, minimize unnecessary applications while improving crop quality and reducing associated environmental impact.
One of the key objectives of this work is to demonstrate the feasibility and efficiency of using Edge-AI on low-power devices, specifically the Nvidia Jetson Nano, within the context of precision agriculture. Although a weed detection system in carrot crops has been used as a case study, the main focus of the project is to validate an Edge Computing architecture capable of running artificial intelligence algorithms in real time, with low latency, enhanced data privacy, and independence from network connectivity.
The proposed methodology is based on the use of a semantic segmentation algorithm, due to the need for pixel-level classification of images from carrot crops. Various convolutional neural network models were compared, and U-Net was selected as the final solution, offering balanced performance in both training and validation based on the mIoU metric, as well as efficient execution on low-resource hardware. Furthermore, the algorithm was optimized using TensorRT to ensure proper performance on the edge device.
A storage system was also developed to monitor the temporal evolution of the presence of weeds in the carrot fields by visualizing the percentage of affected surfaces over time. This provides farmers with an effective monitoring tool for the automated weed detection and herbicide application system, ensuring better control and traceability of the treatment process.
In conclusion, the developed system offers a practical and sustainable solution for weed control, contributing to the optimization of herbicide use, reducing the ecological footprint, and improving agricultural productivity. It also represents a solid foundation for future extensions or adaptations to other types of crops with similar use cases. Read More
Related posts:
Sistema de detección y seguimiento de objetos con un dron basado en la red Yolo
Development and validation of an innovative system for weed species identification and mapping by combining UAV-based imagery and deep learning techniques
Broadening the scope of weed research: Integrating ecological theories to propel weed management
Clasificación de audio para detección de intrusiones en sensores frontera
Diseño de un sistema de detección de Equipos de Protección Personal en el taller de la carrera de Mecánica Industrial del Instituto Superior Tecnológico Tsáchila mediante Inteligencia Artificial para simulaciones en Seguridad Industrial
Federated Learning on 5G Edge for Industrial Internet of Things