Aplicación del Aprendizaje No Supervisado en la Detección Temprana del Tizón Tardío en Cultivos de Papa mediante Procesamiento de Imágenes
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...
- Autores:
-
García-Ariza, Juana-Valentina
Suarez-Barón , Marco-Javier
Junco-Orduz , Edmundo-Arturo
González-Sanabria , Juan-Sebastián
- Tipo de recurso:
- Article of journal
- Fecha de publicación:
- 2022
- Institución:
- Corporación Universidad de la Costa
- Repositorio:
- REDICUC - Repositorio CUC
- Idioma:
- eng
- OAI Identifier:
- oai:repositorio.cuc.edu.co:11323/12370
- Palabra clave:
- machine learning
unsupervised learning
K-Means
hierarchical
clustering
late blight
aprendizaje automático
aprendizaje no supervisado
K-Means
agrupamiento jerárquico
tizón tardío
- Rights
- openAccess
- License
- INGE CUC - 2022
| Summary: | 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. |
|---|