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...

Full description

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

id	RCUC2_eebe2d644814b3c7f99893acfd84943c
oai_identifier_str	oai:repositorio.cuc.edu.co:11323/12370
network_acronym_str	RCUC2
network_name_str	REDICUC - Repositorio CUC
repository_id_str
dc.title.spa.fl_str_mv	Aplicación del Aprendizaje No Supervisado en la Detección Temprana del Tizón Tardío en Cultivos de Papa mediante Procesamiento de Imágenes
dc.title.translated.eng.fl_str_mv	Application of Unsupervised Learning in the Early Detection of Late Blight in Potato Crops Using Image Processing
title	Aplicación del Aprendizaje No Supervisado en la Detección Temprana del Tizón Tardío en Cultivos de Papa mediante Procesamiento de Imágenes
spellingShingle	Aplicación del Aprendizaje No Supervisado en la Detección Temprana del Tizón Tardío en Cultivos de Papa mediante Procesamiento de Imágenes machine learning unsupervised learning K-Means hierarchical clustering late blight aprendizaje automático aprendizaje no supervisado K-Means agrupamiento jerárquico tizón tardío
title_short	Aplicación del Aprendizaje No Supervisado en la Detección Temprana del Tizón Tardío en Cultivos de Papa mediante Procesamiento de Imágenes
title_full	Aplicación del Aprendizaje No Supervisado en la Detección Temprana del Tizón Tardío en Cultivos de Papa mediante Procesamiento de Imágenes
title_fullStr	Aplicación del Aprendizaje No Supervisado en la Detección Temprana del Tizón Tardío en Cultivos de Papa mediante Procesamiento de Imágenes
title_full_unstemmed	Aplicación del Aprendizaje No Supervisado en la Detección Temprana del Tizón Tardío en Cultivos de Papa mediante Procesamiento de Imágenes
title_sort	Aplicación del Aprendizaje No Supervisado en la Detección Temprana del Tizón Tardío en Cultivos de Papa mediante Procesamiento de Imágenes
dc.creator.fl_str_mv	García-Ariza, Juana-Valentina Suarez-Barón , Marco-Javier Junco-Orduz , Edmundo-Arturo González-Sanabria , Juan-Sebastián
dc.contributor.author.spa.fl_str_mv	García-Ariza, Juana-Valentina Suarez-Barón , Marco-Javier Junco-Orduz , Edmundo-Arturo González-Sanabria , Juan-Sebastián
dc.subject.eng.fl_str_mv	machine learning unsupervised learning K-Means hierarchical clustering late blight
topic	machine learning unsupervised learning K-Means hierarchical clustering late blight aprendizaje automático aprendizaje no supervisado K-Means agrupamiento jerárquico tizón tardío
dc.subject.spa.fl_str_mv	aprendizaje automático aprendizaje no supervisado K-Means agrupamiento jerárquico tizón tardío
description	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.
publishDate	2022
dc.date.accessioned.none.fl_str_mv	2022-09-11 00:00:00 2024-04-09T20:22:05Z
dc.date.available.none.fl_str_mv	2022-09-11 00:00:00 2024-04-09T20:22:05Z
dc.date.issued.none.fl_str_mv	2022-09-11
dc.type.spa.fl_str_mv	Artículo de revista
dc.type.coar.eng.fl_str_mv	http://purl.org/coar/resource_type/c_6501 http://purl.org/coar/resource_type/c_2df8fbb1
dc.type.content.eng.fl_str_mv	Text
dc.type.driver.eng.fl_str_mv	info:eu-repo/semantics/article
dc.type.local.eng.fl_str_mv	Journal article
dc.type.redcol.eng.fl_str_mv	http://purl.org/redcol/resource_type/ART
dc.type.version.eng.fl_str_mv	info:eu-repo/semantics/publishedVersion
dc.type.coarversion.eng.fl_str_mv	http://purl.org/coar/version/c_970fb48d4fbd8a85
format	http://purl.org/coar/resource_type/c_6501
status_str	publishedVersion
dc.identifier.issn.none.fl_str_mv	0122-6517
dc.identifier.uri.none.fl_str_mv	https://hdl.handle.net/11323/12370
dc.identifier.url.none.fl_str_mv	https://doi.org/10.17981/ingecuc.18.2.2022.07
dc.identifier.doi.none.fl_str_mv	10.17981/ingecuc.18.2.2022.07
dc.identifier.eissn.none.fl_str_mv	2382-4700
identifier_str_mv	0122-6517 10.17981/ingecuc.18.2.2022.07 2382-4700
url	https://hdl.handle.net/11323/12370 https://doi.org/10.17981/ingecuc.18.2.2022.07
dc.language.iso.eng.fl_str_mv	eng
language	eng
dc.relation.ispartofjournal.spa.fl_str_mv	Inge Cuc
dc.relation.references.eng.fl_str_mv	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
dc.relation.citationendpage.none.fl_str_mv	100
dc.relation.citationstartpage.none.fl_str_mv	89
dc.relation.citationissue.spa.fl_str_mv	2
dc.relation.citationvolume.spa.fl_str_mv	18
dc.relation.bitstream.none.fl_str_mv	https://revistascientificas.cuc.edu.co/ingecuc/article/download/4468/4365 https://revistascientificas.cuc.edu.co/ingecuc/article/download/4468/4593 https://revistascientificas.cuc.edu.co/ingecuc/article/download/4468/4594
dc.relation.citationedition.spa.fl_str_mv	Núm. 2 , Año 2022 : (Julio-Diciembre)
dc.rights.eng.fl_str_mv	INGE CUC - 2022
dc.rights.uri.eng.fl_str_mv	http://creativecommons.org/licenses/by-nc-nd/4.0
dc.rights.accessrights.eng.fl_str_mv	info:eu-repo/semantics/openAccess
dc.rights.coar.eng.fl_str_mv	http://purl.org/coar/access_right/c_abf2
rights_invalid_str_mv	INGE CUC - 2022 http://creativecommons.org/licenses/by-nc-nd/4.0 http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv	openAccess
dc.format.mimetype.eng.fl_str_mv	application/pdf text/html text/xml
dc.publisher.spa.fl_str_mv	Universidad de la Costa
dc.source.eng.fl_str_mv	https://revistascientificas.cuc.edu.co/ingecuc/article/view/4468
institution	Corporación Universidad de la Costa
bitstream.url.fl_str_mv	https://repositorio.cuc.edu.co/bitstreams/876d281a-b8c4-4190-8648-b8714555f231/download
bitstream.checksum.fl_str_mv	f9af094acbc69996c478ffcead28ee16
bitstream.checksumAlgorithm.fl_str_mv	MD5
repository.name.fl_str_mv	Repositorio de la Universidad de la Costa CUC
repository.mail.fl_str_mv	repdigital@cuc.edu.co
_version_	1828166853532319744
spelling	García-Ariza, Juana-ValentinaSuarez-Barón , Marco-JavierJunco-Orduz , Edmundo-ArturoGonzález-Sanabria , Juan-Sebastián2022-09-11 00:00:002024-04-09T20:22:05Z2022-09-11 00:00:002024-04-09T20:22:05Z2022-09-110122-6517https://hdl.handle.net/11323/12370https://doi.org/10.17981/ingecuc.18.2.2022.0710.17981/ingecuc.18.2.2022.072382-4700Introducción. 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.Introduction. Automatic detection can be useful in the search of large crop fields by simply detecting the disease with the symptoms appearing on the leaf. Objective: This paper presents the application of machine learning techniques aimed at detecting late blight disease using unsupervised learning methods such as K-Means and hierarchical clustering. Method: The methodology used is composed by the following phases: acquisition of the dataset, image processing, feature extraction, feature selection, implementation of the learning model, performance measurement of the algorithm, finally a 68.24% hit rate was obtained being this the best result of the unsupervised learning algorithms implemented, using 3 clusters for clustering. Results: According to the results obtained, the performance of the K-Means algorithm can be evaluated, i.e. 202 hits and 116 misses. Conclusions: Unsupervised learning algorithms are very efficient when processing a large amount of data, in this case a large amount of images without the need for predefined labels, its use to solve local problems such as late blight affectations in potato crops are novel,application/pdftext/htmltext/xmlengUniversidad de la CostaINGE CUC - 2022http://creativecommons.org/licenses/by-nc-nd/4.0info:eu-repo/semantics/openAccessEsta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.http://purl.org/coar/access_right/c_abf2https://revistascientificas.cuc.edu.co/ingecuc/article/view/4468machine learningunsupervised learningK-Meanshierarchicalclusteringlate blightaprendizaje automáticoaprendizaje no supervisadoK-Meansagrupamiento jerárquicotizón tardíoAplicación del Aprendizaje No Supervisado en la Detección Temprana del Tizón Tardío en Cultivos de Papa mediante Procesamiento de ImágenesApplication of Unsupervised Learning in the Early Detection of Late Blight in Potato Crops Using Image ProcessingArtículo de revistahttp://purl.org/coar/resource_type/c_6501http://purl.org/coar/resource_type/c_2df8fbb1Textinfo:eu-repo/semantics/articleJournal articlehttp://purl.org/redcol/resource_type/ARTinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/version/c_970fb48d4fbd8a85Inge CucMinagricultura, 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.pdfC. 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/123456789/5156D. 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_25Z. 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.2018.831224610089218https://revistascientificas.cuc.edu.co/ingecuc/article/download/4468/4365https://revistascientificas.cuc.edu.co/ingecuc/article/download/4468/4593https://revistascientificas.cuc.edu.co/ingecuc/article/download/4468/4594Núm. 2 , Año 2022 : (Julio-Diciembre)PublicationOREORE.xmltext/xml2857https://repositorio.cuc.edu.co/bitstreams/876d281a-b8c4-4190-8648-b8714555f231/downloadf9af094acbc69996c478ffcead28ee16MD5111323/12370oai:repositorio.cuc.edu.co:11323/123702024-09-17 14:18:20.983http://creativecommons.org/licenses/by-nc-nd/4.0INGE CUC - 2022metadata.onlyhttps://repositorio.cuc.edu.coRepositorio de la Universidad de la Costa CUCrepdigital@cuc.edu.co

Aplicación del Aprendizaje No Supervisado en la Detección Temprana del Tizón Tardío en Cultivos de Papa mediante Procesamiento de Imágenes

Publicaciones similares