DeepFake Weeds: integración de redes neuronales y stable diffusion para la detección de malas hierbas en cultivos de tomate

[EN] Weeds negatively affect crop yield and quality by competing with the crop for resources. Detecting them in time allows us to optimize control through the precise application of herbicides and reduce their environmental impact. However, its detection and classification are challenging due to the...

Descripción completa

Detalles Bibliográficos
Autores: Moreno, Hugo, Gómez, Adrià, Ribeiro Seijas, Ángela, Andújar, Dionisio
Tipo de recurso: artículo
Estado:Versión publicada
Fecha de publicación:2024
País:España
Institución:Consejo Superior de Investigaciones Científicas (CSIC)
Repositorio:DIGITAL.CSIC. Repositorio Institucional del CSIC
OAI Identifier:oai:digital.csic.es:10261/396370
Acceso en línea:http://hdl.handle.net/10261/396370
Access Level:acceso abierto
Palabra clave:Precision agriculture
Weed control
Deep learning
Artificial images
Agricultura de precisión
Control de malas hierbas
Aprendizaje profundo
Imágenes artificiales
id ES_f6fcff4c5f3d1012d98f93ddf404cf56
oai_identifier_str oai:digital.csic.es:10261/396370
network_acronym_str ES
network_name_str España
repository_id_str
dc.title.none.fl_str_mv DeepFake Weeds: integración de redes neuronales y stable diffusion para la detección de malas hierbas en cultivos de tomate
DeepFake Weeds: Integration of neural networks and stable diffusion for weed detection in tomato crops
title DeepFake Weeds: integración de redes neuronales y stable diffusion para la detección de malas hierbas en cultivos de tomate
spellingShingle DeepFake Weeds: integración de redes neuronales y stable diffusion para la detección de malas hierbas en cultivos de tomate
Moreno, Hugo
Precision agriculture
Weed control
Deep learning
Artificial images
Agricultura de precisión
Control de malas hierbas
Aprendizaje profundo
Imágenes artificiales
title_short DeepFake Weeds: integración de redes neuronales y stable diffusion para la detección de malas hierbas en cultivos de tomate
title_full DeepFake Weeds: integración de redes neuronales y stable diffusion para la detección de malas hierbas en cultivos de tomate
title_fullStr DeepFake Weeds: integración de redes neuronales y stable diffusion para la detección de malas hierbas en cultivos de tomate
title_full_unstemmed DeepFake Weeds: integración de redes neuronales y stable diffusion para la detección de malas hierbas en cultivos de tomate
title_sort DeepFake Weeds: integración de redes neuronales y stable diffusion para la detección de malas hierbas en cultivos de tomate
dc.creator.none.fl_str_mv Moreno, Hugo
Gómez, Adrià
Ribeiro Seijas, Ángela
Andújar, Dionisio
author Moreno, Hugo
author_facet Moreno, Hugo
Gómez, Adrià
Ribeiro Seijas, Ángela
Andújar, Dionisio
author_role author
author2 Gómez, Adrià
Ribeiro Seijas, Ángela
Andújar, Dionisio
author2_role author
author
author
dc.contributor.none.fl_str_mv Agencia Estatal de Investigación (España)
Ministerio de Ciencia e Innovación (España)
European Commission
Moreno Párrizas, Hugo [0000-0002-8539-6301]
Andújar, Dionisio [0000-0002-5801-0944]
Consejo Superior de Investigaciones Científicas [https://ror.org/02gfc7t72]
dc.subject.none.fl_str_mv Precision agriculture
Weed control
Deep learning
Artificial images
Agricultura de precisión
Control de malas hierbas
Aprendizaje profundo
Imágenes artificiales
topic Precision agriculture
Weed control
Deep learning
Artificial images
Agricultura de precisión
Control de malas hierbas
Aprendizaje profundo
Imágenes artificiales
description [EN] Weeds negatively affect crop yield and quality by competing with the crop for resources. Detecting them in time allows us to optimize control through the precise application of herbicides and reduce their environmental impact. However, its detection and classification are challenging due to the great diversity of species and similarities with crops. Deep learning methods have allowed the development of convolutional neural networks (CNN) for the classification of weed species. However, CNNs require large and varied data sets for training. This study proposes an innovative methodology using CNN, YOLOv8l and RetinaNet classifiers augmented with Stable Diffusion data, implemented artificial images of weeds. Three data sets were configured for training CNNs (real, artificial and mixed) in commercial tomato crops infested by Solanum nigrum L., Portulaca oleracea L. and Setaria verticillata L. The results showed a high degree of agreement with artificial images, reaching a maximum mean Average Precision (mAP) of 0.93 in both networks for the mixed data set. Stable Diffusion made it possible to generate large, high-quality data sets from a limited set of images, reducing the need to obtain a large number of images in the field and their subsequent manual labeling. Furthermore, the method can be adapted to other crops and weed species, thus contributing to the advancement of automated weed management systems.
publishDate 2024
dc.date.none.fl_str_mv 2024
2025
2025
dc.type.none.fl_str_mv info:eu-repo/semantics/article
http://purl.org/coar/resource_type/c_6501
Publisher's version
info:eu-repo/semantics/publishedVersion
format article
status_str publishedVersion
dc.identifier.none.fl_str_mv http://hdl.handle.net/10261/396370
url http://hdl.handle.net/10261/396370
dc.language.none.fl_str_mv Español
language_invalid_str_mv Español
dc.relation.none.fl_str_mv #PLACEHOLDER_PARENT_METADATA_VALUE#
#PLACEHOLDER_PARENT_METADATA_VALUE#
info:eu-repo/grantAgreement/AEI//TED2021-130031B-I00
info:eu-repo/grantAgreement/AEI/Plan Estatal de Investigación Científica y Técnica y de Innovación 2017-2020/PID2020-113229RB-C43
https://doi.org/10.19084/rca.34972
Sí
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Sociedade de Ciências Agrárias de Portugal
publisher.none.fl_str_mv Sociedade de Ciências Agrárias de Portugal
dc.source.none.fl_str_mv reponame:DIGITAL.CSIC. Repositorio Institucional del CSIC
instname:Consejo Superior de Investigaciones Científicas (CSIC)
instname_str Consejo Superior de Investigaciones Científicas (CSIC)
reponame_str DIGITAL.CSIC. Repositorio Institucional del CSIC
collection DIGITAL.CSIC. Repositorio Institucional del CSIC
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1869424814559592448
spelling DeepFake Weeds: integración de redes neuronales y stable diffusion para la detección de malas hierbas en cultivos de tomateDeepFake Weeds: Integration of neural networks and stable diffusion for weed detection in tomato cropsMoreno, HugoGómez, AdriàRibeiro Seijas, ÁngelaAndújar, DionisioPrecision agricultureWeed controlDeep learningArtificial imagesAgricultura de precisiónControl de malas hierbasAprendizaje profundoImágenes artificiales[EN] Weeds negatively affect crop yield and quality by competing with the crop for resources. Detecting them in time allows us to optimize control through the precise application of herbicides and reduce their environmental impact. However, its detection and classification are challenging due to the great diversity of species and similarities with crops. Deep learning methods have allowed the development of convolutional neural networks (CNN) for the classification of weed species. However, CNNs require large and varied data sets for training. This study proposes an innovative methodology using CNN, YOLOv8l and RetinaNet classifiers augmented with Stable Diffusion data, implemented artificial images of weeds. Three data sets were configured for training CNNs (real, artificial and mixed) in commercial tomato crops infested by Solanum nigrum L., Portulaca oleracea L. and Setaria verticillata L. The results showed a high degree of agreement with artificial images, reaching a maximum mean Average Precision (mAP) of 0.93 in both networks for the mixed data set. Stable Diffusion made it possible to generate large, high-quality data sets from a limited set of images, reducing the need to obtain a large number of images in the field and their subsequent manual labeling. Furthermore, the method can be adapted to other crops and weed species, thus contributing to the advancement of automated weed management systems.[ES] Las malas hierbas afectan negativamente el rendimiento y calidad de las cosechas al competir con el cultivo por los recursos. Detectarlas a tiempo permite optimizar el control mediante la aplicación precisa de herbicidas y reducir su impacto ambiental. Sin embargo, su detección y clasificación es un desafío debido a la gran diversidad de especies y similitudes con los cultivos. Los métodos tradicionales de aprendizaje profundo (Deep Learning) han permitido el desarrollo de redes neuronales convolucionales (CNN) para la clasificación de especies de mala hierba. Sin embargo, las CNN requieren amplios y variados conjuntos de datos para su entrenamiento. Este estudio propone una metodología innovadora utilizando clasificadores de CNN, YOLOv8l y RetinaNet aumentados con datos de Stable Diffusion (SD), implementado imágenes de malas hierbas generadas artificialmente. Para ello, se configuraron tres conjuntos de datos para el entrenamiento de las CNNs (real, artificial y mixto) en cultivos de tomate comercial infestados por Solanum nigrum L., Portulaca oleracea L. y Setaria verticillata L. Los resultados mostraron un alto grado de acuerdo con imágenes artificiales, alcanzando un mean Average Precision (mAP) máximo de 0,93 en ambas redes para el conjunto de datos mixto. SD permitió generar grandes conjuntos de datos de alta calidad a partir de un conjunto limitado de imágenes, reduciendo la necesidad de obtener un gran número de imágenes en campo y su posterior etiquetado manual. Además, el método puede adaptarse a otros cultivos y especies de mala hierba, contribuyendo así al avance de los sistemas automatizados de gestión de malas hierbas.Esta investigación ha sido financiada por la AEI (Ministerio de Ciencia e Innovación, España), subvención número TED2021-130031B-I00, según el caso, por “FEDER Una manera de hacer Europa”, por la “Unión Europea” o por la “Unión Europea NextGenerationEU/PRTR” y PID2020- 113229RBC43/AEI/10.13039/501100011033. A Juan Ramón Andújar por facilitar los campos comerciales de tomate en Badajoz (Extremadura).Peer reviewedSociedade de Ciências Agrárias de PortugalAgencia Estatal de Investigación (España)Ministerio de Ciencia e Innovación (España)European CommissionMoreno Párrizas, Hugo [0000-0002-8539-6301]Andújar, Dionisio [0000-0002-5801-0944]Consejo Superior de Investigaciones Científicas [https://ror.org/02gfc7t72]202520252024info:eu-repo/semantics/articlehttp://purl.org/coar/resource_type/c_6501Publisher's versioninfo:eu-repo/semantics/publishedVersionapplication/pdfhttp://hdl.handle.net/10261/396370reponame:DIGITAL.CSIC. Repositorio Institucional del CSICinstname:Consejo Superior de Investigaciones Científicas (CSIC)Español#PLACEHOLDER_PARENT_METADATA_VALUE##PLACEHOLDER_PARENT_METADATA_VALUE#info:eu-repo/grantAgreement/AEI//TED2021-130031B-I00info:eu-repo/grantAgreement/AEI/Plan Estatal de Investigación Científica y Técnica y de Innovación 2017-2020/PID2020-113229RB-C43https://doi.org/10.19084/rca.34972Síinfo:eu-repo/semantics/openAccessoai:digital.csic.es:10261/3963702026-05-22T06:33:51Z
score 15,812429

Similares en LA Referencia