A comparison of different neural networks for agricultural image segmentation

In this work we compare several neural networks for agricultural images segmentation. The automation of some agricultural tasks can, in fact, lead to both economical and environmental benefits. By using datasets for both the problem of weed detection and growth status recognition, we compare baseline classifiers based on fixed sets of hand-crafted features with several deep neural architectures. Aim of the thesis is therefore to identify the best suited architecture both from a metrical and a qualitative point of view. Moreover, we compare the temporal complexity and the dependence to hyperparameters variations. The implemented neural networks comprehend a sliding window network, a purely convolutional network and several recurrent networks. Moreover, we try to combine the different approaches.

In questa tesi vengo confrontate diverse reti neurali nell'ambito della segmentazione di immagini agricole. L'automazione di alcune operazioni frequenti in agricoltura può infatti portare ad importanti benefici sia dal punto di vista economico che ambientale. Attraverso l'uso di immagini provenienti da dataset rivolti al problema dell'identificazione di malerbe e all'identificazione di frutti maturi, vengono confrontati sia classificatori basati su un insieme di features sia diverse architetture neurali. Scopo della tesi è individuare l'architettura neurale più idonea a questi scopi, sia dal punto di vista dell'accuratezza metrica sia dal punto di vista della qualità visiva delle maschere di segmentazione prodotte. Vengono inoltre confrontate la complessità temporale e la dipendenza a variazioni degli iperparametri delle varie reti. Le architetture confrontate comprendono un approccio di tipo sliding window, una rete puramente convoluzionale e diverse reti ricorrenti. Vengono inoltre sperimentate architetture che combinano i diversi approcci.