Generación de imágenes sintéticas para mejorar la clasificación de sistemas de plantación del olivar con YOLOV8

Resumen

Para la determinación automática del sistema de plantación del olivar se desarrolló una metodología basada en Deep Learning a partir de imágenes sintéticas generadas para la clasificación de estos olivares usando YOLOV8. Muchas redes neuronales de clasificación presentan como principal requisito técnico un tamaño fijo de entrada de 299×299 píxeles, lo que implica que cada imagen debe representar una superficie mínima de 2,23 ha si se trabaja con imágenes de 0,5 m/píxel como las de PNOA. Como consecuencia, las parcelas de menor tamaño quedan excluidas del análisis, lo que limita la aplicabilidad del método a determinadas explotaciones. Con el fin de superar esta limitación, se ha desarrollado una nueva metodología para la generación de imágenes sintéticas que permite reducir el tamaño efectivo de la imagen de entrada sin perder la información estructural necesaria para la clasificación. Gracias a ello, es posible analizar parcelas con una superficie mínima de 0,13 ha. El modelo entrenado con la arquitectura de YOLOV8 alcanzó un F1-Score de 98,3% y una exactitud media del 98,2 % en validación. Este enfoque amplía el rango de parcelas analizables y sienta las bases para una mejor generalización del modelo, incrementando su potencial de aplicación a escala territorial.