Mapeo agrícola con dron autónomo para fitosanitario de precisión
Visión general
De qué trata este proyecto.
Entrena una U-Net con imágenes RGB+NIR de tres vuelos agrícolas, genera mapas de riesgo en GeoTIFF y obtén un certificado verificable.
El Briefing
Lo que harás y lo que demostrarás.
Construir un pipeline embarcado de segmentación + clasificación de riesgo de mildiu que produzca un mapa de prescripción ejecutable por el tractor de aplicación.
Earning criteria — what you'll demonstrate
- Aplicar segmentación semántica a imagen aérea multiespectral
- Trabajar con datos geoespaciales y formatos GeoTIFF
- Diseñar pipelines de inferencia para hardware limitado a bordo de drones
- Validar modelos contra inspección humana experta
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
Robot Perception and Autonomy
Master · Ai Ml
Fit score: 1
Habilidades
Habilidades que demostrarás.
Cada una aparece en tu credencial verificada.
Carreras
Roles para los que esto te prepara.
Títulos reales. Puentes de habilidades reales. Elige el que más se acerque a tu trayectoria.
Trayectorias profesionales que esto construye
Roles canónicosIngeniero/a de Visión por Computador
Segmentación semántica sobre imagen multiespectral y despliegue a bordo es el tipo de proyecto que define la cartera de una persona junior de visión orientada a agritech o sensórica remota.
Este proyecto afina
- semantic-segmentation
- remote-sensing
- pytorch
Ingeniero/a de Aprendizaje Automático
Llevar un modelo desde el entrenamiento hasta una inferencia embarcada con métricas honestas refleja la cadena completa que un MLE entrega en producción.
Este proyecto afina
- edge-deployment
- model-evaluation
- pytorch
Científico/a Aplicado/a de IA
Trabajar con etiquetas de campo escasas y validar contra criterio agronómico humano es el patrón de investigación aplicada que se ve en empresas agritech.
Este proyecto afina
- geospatial-data
- model-evaluation
- semantic-segmentation