AGRICULTURA DIGITAL 80 (350 imagens) para validação e 5% (110 imagens) para o conjunto de teste. SELEÇÃO E CONFIGURAÇÃO DA CNN Foi utilizada a arquitetura CNN Yolov5s v7.0 desenvolvida pela Ultralytics. Trata-se de um algoritmo de deteção de objetos em imagens em tempo real de código aberto, que se destaca pela sua rapidez e eficácia na deteção e classificação numa única passagem pela rede neural. Os hiper-parâmetros configurados para o treino da CNN foram os seguintes: foram utilizados 300 epochs para o treino, tendo este valor sido selecionado com base em treinos anteriores. O tamanho do lote (batch_size) foi definido como 32, sendo um valor que permite reduzir o overfitting do modelo nas fases iniciais. Quanto ao tamanho da imagem, os modelos Yolov5 reduzem uniformemente as imagens de entrada para 640x640 pixéis. A taxa de aprendizagem inicial (lr0) e final (lrf) foram definidas como 0,01, o parâmetro de decaimento do peso como 0,0005 e o Momentum como 0,937; os outros hiper-parâmetros utilizados foram os definidos pelo modelo predefinido. TREINO DA CNN YOLOV5S V7.0 A configuração de hardware detalhada na tabela 1 foi utilizada para o treino e validação do modelo. AVALIAÇÃO DO DESEMPENHO DA CNN YOLOV5S V7.0 PARA DETEÇÃO DE ERVAS DANINHAS NA CULTURA DO MILHO Como primeira métrica de avaliação, analisamos a matriz de confusão, Figura 2, que mostra o número de previsões corretas e incorretas para cada classe em comparação com os etiquetas verdadeiras. Na Figura 2 observamos que a CNN Yolov5s v7.0 obteve um desempenho excecional na deteção e classificação tanto do milho como das ervas daninhas, conseguindo uma previsão para o milho de 97%, para as ervas daninhas especificamente 90% para mh2 (Sonchus Oleraceus), para mh1 (Lolium Perenne) 86%, mh3 (Saolanun Nigrum) 78% e mh4 (Poa Annua) 74%. É importante notar que a CNN Yolov5s v7.0 mostra confusão entre as ervas daninhas, especialmente entre mh2 (Sonchus Oleraceus) e mh3 (Saolanun Nigrum), em 11%, porque, nos estágios iniciais de desenvolvimento das ervas daninhas, as folhas dessas espécies tendem a ter formas semelhantes de folhas largas; o mesmo acontece entre mh1 (Lolium Perenne) e mh4 (Poa Annua), onde a confusão é comum em 7%, embora neste caso as suas folhas sejam estreitas. Como segunda métrica de avaliação é calculada a precisão média (mean Average Precision - mAP), que é uma medida global do desempenho do modelo quando se considera a exaTabela 1. Configuração utilizada para o treino do modelo. ELEMENTO DO SISTEMA DESCRIÇÃO Processador Processador: Core(TM) i7-12650H 12th Gen Intel(R) 2.70 GHz GPU NVIDIA GeForce RTX 3050 4096MiB Memória RAM 16 GB Sistema Operativo Windows 11 Enterprise Ambiente acelerado CUDA 11.7 Jupyter Notebook Versão 6.5.4 Python 3.8.16 Ambiente de desenvolvimento PyTorch 2.0.0 - Torchvision 0.15.0 – Torchaudio 2.0. 4. Evaluación del rendimiento de la CNN Yolov5s v7.0 para la detec malas hierbas en el cultivo de maíz Como primera métrica de evaluación se analiza la matriz de confusión, Fig cual, muestra el número de predicciones correctas e incorrectas para cada c comparación con las etiquetas verdaderas. En la Figura 2 observamos que Yolov5s v7.0 obtuvo un rendimiento excepcional en la detección y clasificación t maíz como de las malas hierbas, logrando una predicción para el maíz, del 97 las malas hierbas específicamente se obtuvo un 90% para la mh2 (Sonchus Ole para la mh1 (Lolium Perenne) un 86%, la mh3 (Saolanun Nigrum) un 78% y la m Annua) un 74%. Es relevante destacar que la CNN Yolov5s v7.0 presenta confusiones e malas hierbas, especialmente entre la mh2 (Sonchus Oleraceus) y la mh3 (S Nigrum), en un 11%, debido a que, en las primeras etapas de desarrollo de la hierbas, las hojas de estas especies suelen tener formas similares hojas igualmente sucede entre la mh1 (Lolium Perenne) y la mh4 (Poa Annua), s confundir en un 7%, en este caso sus hojas son estrechas. Figura 2. Matriz de confusión para las 5 clases del modelo. Como segunda métrica de evaluación se calcula la mAP (mean Average Pr es una medida general del rendimiento del modelo al considerar la precisión predicciones para múltiples clases de objetos, en cuanto mayor sea el valor d Figura 2. Matriz de confusão para as 5 classes do modelo. Matriz de Confusão Real Previsto milho
RkJQdWJsaXNoZXIy Njg1MjYx