Aplicación del Aprendizaje No Supervisado en la Detección Temprana del Tizón Tardío en Cultivos de Papa mediante Procesamiento de Imágenes
DOI:
https://doi.org/10.17981/ingecuc.18.2.2022.07Palabras clave:
aprendizaje automático, aprendizaje no supervisado, K-Means, agrupamiento jerárquico, tizón tardíoResumen
Introducción. La detección automática puede ser útil en la búsqueda de grandes campos de cultivo simplemente detectando la enfermedad con los síntomas que aparecen en la hoja.
Objetivo: este artículo presenta la aplicación de técnicas de aprendizaje automático destinadas a detectar la enfermedad del tizón tardío utilizando métodos de aprendizaje no supervisados como K-Means y agrupamiento jerárquico.
Método: La metodología utilizada está compuesta por las siguientes fases: adquisición del dataset, procesamiento de la imagen, extracción de características, selección de características, implementación del modelo de aprendizaje, medición del rendimiento del algoritmo, finalmente se obtuvo una tasa de acierto del 68,24% siendo este el mejor resultado de los algoritmos de aprendizaje no supervisados implementados, usando 3 clusters para el agrupamiento.
Resultados: De acuerdo con los resultados obtenidos, se puede evaluar el desempeño del algoritmo K-Means, es decir, 202 aciertos y 116 errores.
Conclusiones: Los algoritmos de aprendizaje no supervisado son muy eficientes al momento de procesar una gran cantidad de datos, en este caso una gran cantidad de imágenes sin necesidad de etiquetas predefinidas, su uso para solucionar problemas locales como afectaciones de tizón tardío en cultivos de papa es novedoso.
Descargas
Citas
Minagricultura, Estrategia de ordenamiento de la producción cadena productiva de la papa y su industria. BOG, CO: Minagricultura, 2019. Recuperado de https://sioc.minagricultura.gov.co/Papa/Normatividad/Plan%20de%20Ordenamiento%20papa%202019-2023.pdf
C. Ortiz, “Desarrollo de una herramienta computacional basada en redes neuronales para el diagnóstico del tizón tardío en cultivos de papa”, Proyecto de grado, Fac Ing Mec Electron Biomed, UAN, BOG, CO, 2021. Disponible en http://repositorio.uan.edu.co/handle/123456789/5156
D. Rodríguez, M. Rico, L. Rodríguez y C. Ñústez, “Efecto de diferentes niveles y épocas de defoliación sobre el rendimiento de la papa (Solanum tuberosum cv. Parda Pastusa),” Rev Fac Nal Agr MED, vol. 63, no. 2, pp. 5521–5531, Sept. 2009. Disponibl en https://repositorio.unal.edu.co/handle/unal/37086
A.-K. Mahlein, E.-C. Oerke, U. Steiner & H.-W. Dehne, “Recent advances in sensing plant diseases for precision crop protection,” Eur J Plant Pathol, vol. 133, no. 1, pp. 197–209, Mar. 2012. https://doi.org/10.1007/s10658-011-9878-z
S. Maity, S. Sarkar, A. Tapadar, A. Dutta, S. Biswas, S. Nayek & P. Saha, “Fault Area Detection in Leaf Diseases Using K-Means Clustering,” presented 2nd International Conference on Trends in Electronics and Informatics, ICOEI, TIRUN, IN, 11-12 May. 2018. https://doi.org/10.1109/ICOEI.2018.8553913
J. Johnson, G. Sharma, S. Srinivasan, S. Masakapalli, S. Sharma, J. Sharma & V. Dua, “Enhanced field-based detection of potato blight in complex backgrounds using deep learning,” Plant Phenomics, pp. 1–13, May. 2021. https://doi.org/10.34133/2021/9835724
P. Sharma, Singh, B. & R. Singh, “Prediction of Potato Late Blight Disease Based Upon Weather Parameters Using Artificial Neural Network Approach,” presented 9th International Conference on Computing, Communication and Networking Technologies, ICCCNT, BLR, IND, 10-12 July 2018. https://doi.org/10.1109/ICCCNT.2018.8494024
R. Hasan, S. Yusuf & L. Alzubaidi, “Review of the state of the art of deep learning for plant diseases: A broad analysis and discussion,” Plants, vol. 9, no. 10, pp. 1–25, Oct. 2020. https://doi.org/10.3390/plants9101302
L. Li, S. Zhang & B. Wang, “Plant Disease Detection and Classification by Deep Learning - A Review,” IEEE Access, vol. 9, pp. 56683–56698, Apr. 2021. https://doi.org/10.1109/ACCESS.2021.3069646
H. Pardede, E. Suryawati, R. Sustika & V. Zilvan, “Unsupervised Convolutional Autoencoder-Based Feature Learning for Automatic Detection of Plant Diseases,” presented 2018 International Conference on Computer, Control, Informatics and its Applications, IC3INA, TANG, ID, 1-2 Nov. 2018. https://doi.org/10.1109/IC3INA.2018.8629518
B. Małysiak-Mrozek, D. Mrozek & S. Kozielski, “Data Grouping Process in Extended SQL Language Containing Fuzzy Elements,” in K.A. Cyran, S. Kozielski, J. F. Peters, U. Stańczyk & A. Wakulicz-Deja, Man-Machine Interactions, vol. 59, BE, DE, Springer, 2009, pp. 247–256. https://doi.org/10.1007/978-3-642-00563-3_25
Z. Khan, T. Akram, S. Naqvi, S. Haider, M. Kamran & N. Muhammad, “Automatic detection of plant diseases; utilizing an unsupervised cascaded design,” presented 15th International Bhurban Conference on Applied Sciences and Technology, IBCAST, ISB, PK, 9-13 Jan. 2018. https://doi.org/10.1109/IBCAST.2018.8312246
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2022 INGE CUC
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Los artículos publicados son de exclusiva responsabilidad de sus autores y no reflejan necesariamente las opiniones del comité editorial.
La Revista INGE CUC respeta los derechos morales de sus autores, los cuales ceden al comité editorial los derechos patrimoniales del material publicado. A su vez, los autores informan que el presente trabajo es inédito y no ha sido publicado anteriormente.
Todos los artículos están bajo una Licencia Creative Commons Atribución-NoComercial-SinDerivadas 4.0 Internacional.
English
Español (España)
