Um estudo comparativo entre as arquiteturas de redes neurais profundas AlexNet e YOLO aplicadas ao problema de visão computacional em Ambientes Agrícolas

Resumo


A verificação e o controle da uniformidade de distribuição de água para irrigação é uma das tarefas de maior importância para garantir o melhor uso dos recursos hídricos. Este tipo de atividade exige que o robô seja capaz de deslocar-se em ambientes rurais, reconhecendo obstáculos em seu caminho. Neste artigo foi desenvolvido um estudo comparativo entre duas arquiteturas de redes neurais convolucionais, AlexNet e YOLO, com o objetivo de serem embarcadas em um processador Raspberry PI montado em um robô de pequeno porte a ser usado para auxiliar no ajuste automatizado de emissores ajustáveis para irrigação localizada. As redes foram treinadas, utilizando bases de dados contendo imagens relacionadas ao meio agrícola e a seguir, foram coletados dados referentes ao desempenho de ambas arquiteturas e realizada uma comparação entre elas, usando vários critérios, sendo os principais o tempo de execução, o consumo de memória principal e secundária, e a precisão da classificação. A arquitetura que apresentou melhor desempenho foi a YOLO, a qual foi embarcada no robô, passando pelas devidas adaptações para que a mesma fosse capaz de utilizar as imagens transmitidas em tempo real pela câmera embutida existente no robô.

Palavras-chave: Redes Neurais profundas, Agricultura, Robótica, YOLO, AlexNet

Referências

ABDI (2019). Agro 4.0.

Academy, D. S. (2019). Deep learning book.

Alake, R. (2020). Implementing alexnet cnn architecture using tensorflow 2.0+ and keras.

Åstrand, B. e Baerveldt, A.-J. (2002). An agricultural mobile robot with vision-based perception for mechanical weed control. Autonomous robots, 13(1):21–35. DOI: https://doi.org/10.1023/A:1015674004201

Berenstein, R., Fox, R., McKinley, S., Carpin, S., e Goldberg, K. (2018). Robustly adjusting indoor drip irrigation emitters with the toyota hsr robot. In 2018 IEEE International Conference on Robotics and Automation (ICRA), Brisbane, QLD, Australia. IEEE, IEEE. DOI: https://doi.org/10.1109/ICRA.2018.8460969

itMídia (2019). Python: 10 motivos para aprender a linguagem em 2019.

Jacob, S. e Samrat, S. (2020). Train yolov4-tiny on custom data - lightning fast object detection.

Jardim, A. (2019). Inovação para o agro 4.0. AgroANALYSIS, 38(4):48.

Jodas, D. S., Marranghello, N., Pereira, A. S., e Guido, R. C. (2013). Desenvolvimento de um sistema para navegação de robôs móveis por caminhos em plantações. Interciência & Sociedade, 2(1).

Krizhevsky, A., Sutskever, I., e Hinton, G. E. (2017). Imagenet classification with deep convolutional neural networks. Communications of the ACM, 60(6):84–90. DOI: https://doi.org/10.1145/3065386

Lam, Y., Slaughter, D., Wallender, W., e Upadhyaya, S. (2006). Computer vision system for automatic control of precision furrow irrigation system. In 2006 ASAE Annual Meeting, page 1. American Society of Agricultural and Biological Engineers. DOI: https://doi.org/10.13031/2013.20693

Massruhá, S. M. F. S. e Leite, M. d. A. (2017). Agro 4.0-rumo à agricultura digital. In Embrapa Informática Agropecuária-Artigo em anais de congresso (ALICE). In: MAGNONI JÚNIOR, L.; STEVENS, D.; SILVA, WTL da; VALE, JMF do; PURINI, SR.

Orac, R. (2020). What’s new in yolov4?

Paz, V. P. d. S., Teodoro, R. E. F., e Mendonça, F. C. (2000). Recursos hídricos, agricultura irrigada e meio ambiente. Revista Brasileira de Engenharia Agrícola e Ambiental, 4:465–473. DOI: https://doi.org/10.1590/S1415-43662000000300025

Prabha, D. S. e Kumar, J. S. (2016). Performance evaluation of image segmentation using objective methods. Indian J. Sci. Technol, 9(8):1–8. DOI: https://doi.org/10.17485/ijst/2016/v9i8/87907

Santos, B. P., Alberto, A., Lima, T. D. F. M., e Charrua-Santos, F. M. B. (2018). Industry 4.0: challenges and opportunities. Revista Produção E Desenvolvimento. DOI: https://doi.org/10.32358//rpd.2018.v4.316

Techzizou (2020). Yolov4 vs yolov4-tiny.

UNESCO (2020). Relatório mundial das nações unidas sobre desenvolvimento dos recursos hídricos 2020: O manejo dos recursos hídricos em condições de incerteza e risco.

Wang, R., Xu, J., e Han, T. X. (2019). Object instance detection with pruned alexnet and extended training data. Signal Processing: Image Communication, 70:145–156. DOI: https://doi.org/10.1016/j.image.2018.09.013

Yang, K., Qinami, K., Fei-Fei, L., Deng, J., e Russakovsky, O. (2020). Towards fairer datasets: Filtering and balancing the distribution of the people subtree in the imagenet hierarchy. In Conference on Fairness, Accountability, and Transparency. DOI: https://doi.org/10.1145/3351095.3375709
Publicado
10/11/2021
Como Citar

Selecione um Formato
OLIVEIRA, Danielly O. A. de; CASTRO, Josué Pereira de. Um estudo comparativo entre as arquiteturas de redes neurais profundas AlexNet e YOLO aplicadas ao problema de visão computacional em Ambientes Agrícolas. In: CONGRESSO BRASILEIRO DE AGROINFORMÁTICA (SBIAGRO), 13. , 2021, Evento Online. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2021 . p. 329-338. ISSN 2177-9724. DOI: https://doi.org/10.5753/sbiagro.2021.18405.