Estrategia Evolutiva para diseñar Redes Neuronales Convolucionales

La agricultura extensiva en la actualidad, es una actividad imprescindible, encargada de proporcionar alimentación a la población mundial. Pero esta, presenta graves problemas de carácter medioambiental, de cara a la conservación del planeta, como son la contaminación de las aguas cercanas por empleo indiscriminado de agentes químicos para el tratamiento plagas y de las denominadas malas hierbas. Además de este, presenta otros problemas, como grandes costes asociados a la gestión de los cultivos y rendimientos mejorables de las cosechas. Para ello, la agricultura de precisión propone técnicas por las cuales los cultivos se gestionan de acuerdo a las necesidades que este tiene por cada zona de manejo. Estas requieren técnicas automatizadas, que además del propio tratamiento, incluirían la detección de las zonas y en muchos casos la clasificación de las especies localizadas en esas zonas. Algunas técnicas de las propuestas a día de hoy se basan en imágenes RGB que son procesadas y clasificadas por Redes Neuronales Convolucionales de propósito general. Estas, a pesar de su gran rendimiento en este tipo de tareas, presentan grandes deficiencias debido a su arquitectura generalista, como su tamaño, el gran coste computacional o los grandes conjuntos de imágenes etiquetadas que son necesarias para su entrenamiento. Este trabajo propone demostrar la hipótesis que, empleando algoritmos de optimización como los Algoritmos Evolutivos, se pueden encontrar arquitecturas de CNNs más eficientes desde el punto de vista de tamaño en número de parámetros, cantidad de capas, tiempo de entrenamiento e inferencia y requerimiento de grandes conjuntos de datos para el entrenamiento, pudiendo competir en capacidad de clasificación de imágenes con las arquitecturas de las redes que se emplean en la actualidad.