COMPARACIÓN DE TÉCNICAS DE INTELIGENCIA ARTIFICIAL EN LA IDENTIFICACIÓN Y CONTEO DE PLANTAS DE MACAÚBA

Macaúba (Acrocomia aculeata) es una palmera originaria de Brasil y sus frutos se pueden utilizar en la fabricación de biodiesel, subproductos para la alimentación animal y en la industria cosmética. La principal ventaja de macaúba sobre otras alternativas es su amplia distribución geográfica y su endemismo en Brasil, con una importante concentración de macizos nativos en Minas Gerais. Para la identificación y conteo de macizos naturales, el uso de tecnologías cartográficas se convierte en una alternativa efectiva, especialmente en áreas naturales. Así, el objetivo fue comparar técnicas de Machine Learning (Random Forest, KNN y Decision Trees) y Deep Learning (You Only Look Once) para evaluar el mejor desempeño entre las metodologías aplicadas en la identificación y conteo de plantas de macaúba. Los algoritmos se utilizaron para la clasificación de cinco clases (macaúba, vegetación, pastos, suelo expuesto y sombra) en imágenes de espectro visible (RGB) adquiridas por un vehículo aéreo no tripulado (UAV). Para el aprendizaje profundo se utilizó YOLOv4, cuyo entrenamiento se llevó a cabo con 2000 y 5000 épocas. A partir de 24 imágenes que contenían un total de 160 plantas, los datos se dividieron en 70 y 30% para entrenamiento y pruebas, respectivamente. Las técnicas de aprendizaje automático tuvieron un rendimiento inferior en comparación con el entrenamiento de aprendizaje profundo. KNN obtuvo la mejor precisión general (70%), pero con un 30% de precisión para la clasificación. Por otro lado, YOLO logró una precisión del 63% y 77% con 2000 y 5000 épocas, respectivamente