Resumen

La distribución de los segmentos de suelo es uno de los índices más importantes cuando se evalúa el rendimiento de la maquinaria agrícola. En este artículo se propone un método estadístico de distribución de segmentos de suelo agrícola basado en el aprendizaje profundo el cual combina la taza de aprendizaje adaptativa y un mecanismo de atención de canal de redes. Se analizó la influencia de las tasas de aprendizaje, el modelo de algoritmo Mask-RCNN y la eficacia del modelo para identificar segmentos de suelo y obtener su tamaño. Los resultados mostraron que con la disminución de la tasa de aprendizaje, el valor de pérdida de la formación del modelo disminuye y la precisión de predicción mejora. Los autores proponen que se tenga en cuenta esta investigación para proponer método eficaz para la clasificación precisa del tamaño del segmento de suelo y pueda brindar una base cuantitativa para el control de la intensidad de cultivo de tierras agrícolas.

• Materias:Cultivos y suelos Control adaptativo Aprendizaje automático Fertilidad de suelos
• Subjects:Crops and soils Adaptive control Machine learning Soil fertility
• Palabras claves:Mask-RCNN; tasa de aprendizaje adaptativa; detección de objetos; mecanismo de atención; OpenCV
• Keywords:Mask-RCNN; adaptive learning rate; object detection; attention mechanism; OpenCV