Identificación de malezas mediante el procesamiento de imágenes multiespectrales

Abstract

Las malezas constituyen una amenaza importante para la productividad agrícola por su competencia con los cultivos y por el aumento de poblaciones resistentes a herbicidas. En particular, la yerba carnicera (Conyza spp.) representa un problema relevante en sistemas productivos nacionales. En este contexto, las imágenes multiespectrales capturadas desde vehículos aéreos no tripulados (UAV) ofrecen una alternativa promisoria para apoyar estrategias de detección y manejo sitio-específico de malezas. Sin embargo, la disponibilidad de datasets multiespectrales adquiridos con UAV para detección de malezas es todavía limitada a nivel internacional, y más aún para malezas, cultivos y condiciones de suelo representativas de Uruguay. Este trabajo aborda la construcción de un dataset multiespectral para detección de malezas en cultivos nacionales a partir de capturas realizadas con UAV, una tarea especialmente desafiante por la alta resolución de las imágenes, la necesidad de calibración radiométrica y la alineación precisa entre bandas espectrales. Se definió un flujo reproducible de preprocesamiento radiométrico y geométrico, se establecieron criterios consistentes de etiquetado y se realizó una caracterización estadística del conjunto final. El dataset obtenido contiene 500 imágenes multiespectrales etiquetadas manualmente y 6459 instancias distribuidas en tres clases morfológicas: plántula, roseta y dentada. El dataset fue evaluado mediante segmentación de instancias con YOLOv8-sseg y segmentación semántica con U-Net, comparando distintas configuraciones espectrales de entrada. Los resultados muestran que la incorporación de información multiespectral mejora el desempeño respecto de la línea base RGB, y que la configuración RGB + NIR fue la más robusta en ambas tareas. En particular, alcanzó un Mask mAP50-95 de 0,598 en segmentación de instancias y un Dice de 0,870 con IoU de 0,842 en segmentación semántica. En conjunto, estos resultados indican que el dataset construido es adecuado para entrenar modelos de detección de malezas en condiciones de campo reales, y que en las condiciones evaluadas la inclusión de la banda NIR sobre la línea base RGB resultó en el mejor desempeño para la identificación de Conyza spp.