Tecnológico de Costa Rica
  • How to publish in Repositorio TEC?
  • Policies
  • Educational Resources
  • Contact us
    • español
    • English
  • English 
    • español
    • English
  • Login
View Item 
  •   Repository Home
  • Portal de Revistas del Instituto Tecnológico de Costa Rica
  • Tecnología en Marcha
  • View Item
  •   Repository Home
  • Portal de Revistas del Instituto Tecnológico de Costa Rica
  • Tecnología en Marcha
  • View Item
JavaScript is disabled for your browser. Some features of this site may not work without it.

Browse

All RepositoryCommunities & CollectionsBy Issue DateAuthorsTitlesKeywordEducational Resource TypeIntended UserThis CollectionBy Issue DateAuthorsTitlesKeywordEducational Resource TypeIntended User

My Account

LoginRegister

Statistics

View Usage Statistics

Instance segmentation for automated weeds and crops detection in farmlands

Segmentación de instancias para detección automática de malezas y cultivos en campos de cultivo

Thumbnail
View/Open
http://revistas.tec.ac.cr/index.php/tec_marcha/article/view/506910.18845/tm.v33i5.5069
Author
Mora-Fallas, Adán
Goëau, Hervé
Joly, Alexis
Bonnet, Pierre
Mata-Montero, Erick
Metadata
Show full item record
Description
 
Based on recent successful applications of Deep Learning techniques in classification, detection and segmentation of plants, we propose an instance segmentation approach that uses a Mask R-CNN model for weeds and crops detection on farmlands. We evaluated our model performance with the MSCOCO average precision metric, contrasting the use of data augmentation techniques. Results obtained show how the model fits very well in this context, opening new opportunities to automated weed control solutions, at larger scales.
 
Con base en las recientes aplicaciones exitosas de técnicas de Aprendizaje Profundo en la clasificación, detección y segmentación de plantas, proponemos un enfoque de segmentación de instancias utilizando un modelo Mask R-CNN para la detección de malezas y cultivos en tierras de cultivo. Evaluamos el rendimiento de nuestro modelo con la métrica de precisión promedio de MSCOCO, contrastando el uso de técnicas de aumento de datos. Los resultados obtenidos muestran cómo el modelo se adapta muy bien en este contexto, abriendo nuevas oportunidades para soluciones automatizadas de control de malezas, a gran escala.
 
Source
Tecnología en marcha Journal; 2020: Vol. 33 especial. Contribuciones a la Conferencia 6th Latin America High Performance Computing Conference (CARLA); Pág. 13-17 , Revista Tecnología en Marcha; 2020: Vol. 33 especial. Contribuciones a la Conferencia 6th Latin America High Performance Computing Conference (CARLA); Pág. 13-17 , 2215-3241 , 0379-3982 .
URI
http://hdl.handle.net/2238/12063
Share
       
Metrics
Collections
  • Tecnología en Marcha [1617]

|Contact us

Repositorio Institucional del Tecnológico de Costa Rica

Biblioteca José Figueres Ferrer | TEC Digital

© DERECHOS RESERVADOS. Un sitio soportado por DSpace(v. 5.5)

RT-1

 

 


|Contact us

Repositorio Institucional del Tecnológico de Costa Rica

Biblioteca José Figueres Ferrer | TEC Digital

© DERECHOS RESERVADOS. Un sitio soportado por DSpace(v. 5.5)

RT-1