Classification of soybean pods using the deep learning techniques

Abstract

Crop productivity estimate aims at the economic definitions about crop, agricultural management, and land use, among others. However, it is common to observe the use of visual methods to estimate the productivity of the soybean crop through the classification of pods, resulting in a slow, costly method besides being susceptible to human errors. Thus, the objective of this work was to carry out the training of two deep learning methods to classify soybean pods according to the number of grains based on images obtained using a smartphone. Data collection was carried out at the Federal University of Viçosa (UFV). Data consisted of capturing images from a smartphone and training two deep learning models: Mask R-CNN and YOLOv4. To capture the images, the soybean pods were pulled from the plants and placed in a white-bottom container. This procedure occurred for each plant collected. Both models tended towards a better classification for the two- and three-grain pods, reaching a value of 90% for the F1 score metric. This fact may have occurred because of the greater amount of these two types of pods present in the chosen cultivars. Finally, the potential of using deep learning to classify soybean pods based on the number of grains was observed.A estimativa de produtividade de culturas agrícolas visa as definições econômicas acerca da cultura, gestão agrícola, uso de terras, entre outros. Porém, é comum observar o uso de métodos visuais para realizar a estimativa de produtividade da cultura da soja por meio da classificação de vagens, tornando o processo lento, oneroso e susceptível a erros humanos. Dessa forma, com essa pesquisa, objetivou-se realizar o treinamento de dois modelos do aprendizado profundo para classificar as vagens de soja quanto ao número de grãos a partir de imagens obtidas por smartphone. A coleta dos dados ocorreu na Universidade Federal de Viçosa (UFV), os dados consistiram na captura de imagens a partir de um smartphone e no treinamento de dois modelos de aprendizado profundo: Mask R-CNN e YOLOv4. Para a captura das imagens, as vagens da soja foram arrancadas das plantas e depositadas em um recipiente de fundo branco. Este procedimento ocorreu para cada planta coletada. Ambos os modelos apresentaram uma tendencia de melhor classificação para as vagens de dois e três grãos, alcançando o valor de 90% para a métrica pontuação F1. Possivelmente, este fato ocorreu devido a maior quantidade presente desses dois tipos de vagens nas cultivares escolhidas. Ao final, observou-se o potencial do uso do aprendizado profundo para classificação de vagens da soja com base no número de grãos.