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.
Referências
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
