Diseño de un algoritmo detector de estrés hídrico en cultivos mediante procesamiento de imágenes multiespectrales aplicando una red neuronal convolucional.

Abstract

En el presente proyecto se desarrolla un algoritmo detector de estrés hídrico mediante el procesamiento digital de imágenes multiespectrales aplicando redes neuronales convolucionales, para esto es necesario seguir una serie de fases las cuales constan de tres etapas: la primera consiste en elaborar dos bases de datos constituidas por imágenes del satélite SENTINEL-2 las cuales son extraídas del sitio web https://earthexplorer.usgs.gov/ y posteriormente acondicionadas; seguido a esto se ejecuta el entrenamiento de las redes neuronales con las imágenes recopiladas lo cual corresponde al desarrollo del algoritmo; finalmente, se evalúa el funcionamiento de los detectores al procesar imágenes de terrenos y compararlos con las muestras de validación almacenadas en la base de datos. Dentro de los resultados más relevantes se tiene que el detector conformado por los modelos entrenados con la red neuronal convolucional basada en regiones (Faster RCNN) obtuvo un porcentaje de exactitud en la detección de 86.1539%, un rendimiento sobresaliente a diferencia del detector SEG_H entrenado por la red neuronal convolucional basada en máscaras de región (Mask RCNN) con un valor de exactitud en la detección de 95.6569%. De lo anterior se puede concluir que para aplicaciones donde no se requiera de estricta sectorización del objeto las redes neuronales de tipo Faster RCNN son adecuadas para la tarea, de lo contrario las de tipo Mask RCNN son la mejor opción.