Análisis de imágenes hiperespectrales en hojas de mango empleando lenguaje R
ilustraciones, fotografías, gráficas, tablas
- Autores:
-
Ramón Poma, Leonardo Xavier
- Tipo de recurso:
- Fecha de publicación:
- 2021
- Institución:
- Universidad Nacional de Colombia
- Repositorio:
- Universidad Nacional de Colombia
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.unal.edu.co:unal/81084
- Palabra clave:
- 620 - Ingeniería y operaciones afines::629 - Otras ramas de la ingeniería
Mango
Métodos estadísticos
Análisis de datos
Mangoes
Statistical methods
Data analysis
Antracnosis
Espectroscopia
Reflectancia
LDA
SVM
RF
NN
GBM
Anthracnose
Spectroscopy
Reflectance
LDA
SVM
RF
NN
GBM
- Rights
- openAccess
- License
- Atribución-NoComercial-SinDerivadas 4.0 Internacional
| id |
UNACIONAL2_234b03155e990381c18517d3b92f2f4e |
|---|---|
| oai_identifier_str |
oai:repositorio.unal.edu.co:unal/81084 |
| network_acronym_str |
UNACIONAL2 |
| network_name_str |
Universidad Nacional de Colombia |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Análisis de imágenes hiperespectrales en hojas de mango empleando lenguaje R |
| dc.title.translated.eng.fl_str_mv |
Hyperspectral imaging analysis in mango leaves using R |
| title |
Análisis de imágenes hiperespectrales en hojas de mango empleando lenguaje R |
| spellingShingle |
Análisis de imágenes hiperespectrales en hojas de mango empleando lenguaje R 620 - Ingeniería y operaciones afines::629 - Otras ramas de la ingeniería Mango Métodos estadísticos Análisis de datos Mangoes Statistical methods Data analysis Antracnosis Espectroscopia Reflectancia LDA SVM RF NN GBM Anthracnose Spectroscopy Reflectance LDA SVM RF NN GBM |
| title_short |
Análisis de imágenes hiperespectrales en hojas de mango empleando lenguaje R |
| title_full |
Análisis de imágenes hiperespectrales en hojas de mango empleando lenguaje R |
| title_fullStr |
Análisis de imágenes hiperespectrales en hojas de mango empleando lenguaje R |
| title_full_unstemmed |
Análisis de imágenes hiperespectrales en hojas de mango empleando lenguaje R |
| title_sort |
Análisis de imágenes hiperespectrales en hojas de mango empleando lenguaje R |
| dc.creator.fl_str_mv |
Ramón Poma, Leonardo Xavier |
| dc.contributor.advisor.none.fl_str_mv |
Prieto Ortiz, Flavio Augusto |
| dc.contributor.author.none.fl_str_mv |
Ramón Poma, Leonardo Xavier |
| dc.subject.ddc.spa.fl_str_mv |
620 - Ingeniería y operaciones afines::629 - Otras ramas de la ingeniería |
| topic |
620 - Ingeniería y operaciones afines::629 - Otras ramas de la ingeniería Mango Métodos estadísticos Análisis de datos Mangoes Statistical methods Data analysis Antracnosis Espectroscopia Reflectancia LDA SVM RF NN GBM Anthracnose Spectroscopy Reflectance LDA SVM RF NN GBM |
| dc.subject.agrovoc.spa.fl_str_mv |
Mango Métodos estadísticos Análisis de datos |
| dc.subject.agrovoc.eng.fl_str_mv |
Mangoes Statistical methods Data analysis |
| dc.subject.proposal.spa.fl_str_mv |
Antracnosis Espectroscopia Reflectancia LDA SVM RF NN GBM |
| dc.subject.proposal.eng.fl_str_mv |
Anthracnose Spectroscopy Reflectance LDA SVM RF NN GBM |
| description |
ilustraciones, fotografías, gráficas, tablas |
| publishDate |
2021 |
| dc.date.issued.none.fl_str_mv |
2021 |
| dc.date.accessioned.none.fl_str_mv |
2022-02-28T23:09:52Z |
| dc.date.available.none.fl_str_mv |
2022-02-28T23:09:52Z |
| dc.type.spa.fl_str_mv |
Trabajo de grado - Maestría |
| dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/masterThesis |
| dc.type.version.spa.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| dc.type.content.spa.fl_str_mv |
Text |
| dc.type.redcol.spa.fl_str_mv |
http://purl.org/redcol/resource_type/TM |
| status_str |
acceptedVersion |
| dc.identifier.uri.none.fl_str_mv |
https://repositorio.unal.edu.co/handle/unal/81084 |
| dc.identifier.instname.spa.fl_str_mv |
Universidad Nacional de Colombia |
| dc.identifier.reponame.spa.fl_str_mv |
Repositorio Institucional Universidad Nacional de Colombia |
| dc.identifier.repourl.spa.fl_str_mv |
https://repositorio.unal.edu.co/ |
| url |
https://repositorio.unal.edu.co/handle/unal/81084 https://repositorio.unal.edu.co/ |
| identifier_str_mv |
Universidad Nacional de Colombia Repositorio Institucional Universidad Nacional de Colombia |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.spa.fl_str_mv |
Rodríguez, A. T., Dávila, J. F. R., Siclán, M. L. S., Vildózola, Á. C., Zamora, F. I. M., & Díaz, A. V. L. (2020). Distribución espacial de antracnosis (Colletotrichum gloeosporioides Penz) en aguacate en el Estado de México, México. Revista Argentina de Microbiología, 52(1), 72-81. Silva‐Rojas, H. V., & Ávila‐Quezada, G. D. (2011). Phylogenetic and morphological identification of Colletotrichum boninense: a novel causal agent of anthracnose in avocado. Plant Pathology, 60(5), 899-908. Rodríguez, A. T., Dávila, J. F. R., Siclán, M. L. S., Vildózola, Á. C., Zamora, F. I. M., & Díaz, A. V. L. (2020). Distribución espacial de antracnosis (Colletotrichum gloeosporioides Penz) en aguacate en el Estado de México, México. Revista Argentina de Microbiología, 52(1), 72-81. Ardila, C. E. C., Ramirez, L. A., & Ortiz, F. A. P. (2020). Spectral analysis for the early detection of anthracnose in fruits of Sugar Mango (Mangifera indica). Computers and Electronics in Agriculture, 173, 105357. Rondón, O., Sanabría de Albarracín, N., & Rondón, A. (2006). Respuesta in vitro a la acción de fungicidas para el control de antracnosis, Colletotrichum gloeosporioides Penz, en frutos de mango. Agronomía tropical, 56(2), 219-235. Páez Redondo, A. R. (2003). Tecnologías sostenibles para el manejo de la antracnosis (Colletotrichum gloesporioides (Penz.) Penz. & Sacc.) en papaya (Carica papaya L.) y mango (Mangifera indica L.). Páez, A. R. (1997). Respuesta de cultivares de mango (Magnifera indica L.) a la antracnosis en la Costa Atlántica colombiana. Ciencia y Tecnología Agropecuaria, 2(1), 45-53. Galvis, J. P. A. (2017). Evaluación de un método de Aprendizaje Supervisado para la detección de las enfermedades, Antracnosis y Phytophthora Infestans en cultivos de fruta de Risaralda (Doctoral dissertation, Universidad Tecnológica de Pereira). Sevilla, M. A. C. S., Rocha, M. A. J. R., & Pintor, M. G. A. H. Identificación de enfermedad (antracnosis) en fresa a partir de imágenes digitales tomadas a la variedad de fresa festival. Santana, J. S., & Farfán, E. M. (2014). El arte de programar en R: un lenguaje para la estadística. Instituto Mexicano de Tecnología del Agua, 1. hyperSpec Introduction, Claudia Beleites, https://cran.r- project.org/web/packages/hyperSpec/vignettes/hyperspec.pdf, November 27, 2020. Package ‘hyperSpec’, Work with Hyperspectral Data, i.e. Spectra + Meta Information (Spatial, Time, Concentration, ...), Claudia Beleites, https://cran.r- project.org/web/packages/hyperSpec/hyperSpec.pdf, 2020-11-27. Singha, S., Pasupuleti, S., Singha, S.S., Singh, R., Kumar, S.57194762416;57194568754;57194762415;57215037747;57211640379; Prediction of groundwater quality using efficient machine learning technique (2021) Chemosphere, 276, art. no. 130265, . https://www.scopus.com/inward/record.uri?eid=2-s2.0- 5102890532&doi=10.1016%2fj.chemosphere.2021.130265&partnerID=40&md5=fb8827a4 3d04acdee18bfc452ebf41b2 R: The R Project for Statistical Computing R: The R Project for Statistical Computing. (2020). Retrieved 6 April 2020, from https://www.r-project.org/ RStudio | Open source & professional software for data science teams, RStudio | Open source & professional software for data science teams. (2020). Retrieved 6 April 2020, from https://rstudio.com/ X Kangab, P Duanab, S Liab, Hyperspectral image visualization with edge-preserving filtering and principal component analysis, Information Fusion, Volume 57, May 2020, Pages 130-143. Y. Liu, X. Chen, Z. Wang, Z.J. Wang, R.K. Ward, X. Wang, Deep learning for pixel-level image fusion: recent advances and future prospects, Inf. Fusion, 42 (2018), pp. 158-173, ArticleDownload PDFView Record in ScopusGoogle Scholar P. Perona, J. Malik, Scale-space and edge detection using anisotropic diffusion, IEEE Trans. Pattern Anal. Mach. Intel., 12 (7) (1990), pp. 629-639. F. Rottensteiner, J. Trinder, S. Clode, K. Kubik, Using the Dempster–Shafer method for the fusion of LIDAR data and multi-spectral images for building detection, Inf. Fusion, 6 (4) (2005), pp. 283-300. Zhang J.,Cheng T., Guo W., Xu X. Qiao H., Xie Y., Ma X., Leaf area index estimation model for UAV image hyperspectral data based on wavelength variable selection and machine learning methods, Volume 17, Issue 1, Article number 49, December 2021, 10.1186/s13007-021-00750-5. P Bajcsy, P Groves, Methodology for hyperspectral band selection, Photogrammetric Engineering and Remote Sensing journal, Vol. 70, Number 7, July 2004, pp. 793-802, 21- May-2014. J Gonzalez, S Castelblanco, Aplicación de técnicas de machine learning para estimar propiedades físicas de hidrocarburos a partir de firmas espectrales, pp 7-30, https://repositorio.uniandes.edu.co/bitstream/handle/1992/34930/u820869.pdf?sequence= 1. García Navarrete, O. (2013). Detección temprana de daños mecánicos por golpe en el manejo poscosecha de la manzana Fuji a través de imágenes hiperespectrales. The Comprehensive R Archive Network", Cran.r-project.org, 2020. [Online]. Available: https://cran.r-project.org/. [Accessed: 13- Apr- 2020]. The Comprehensive R Archive Network", Cran.r-project.org, 2020. [Online]. Available: https://cran.r-project.org/. [Accessed: 13- Apr- 2020]. A. Roman-Gonzalez, N Indira Vargas-Cuentas. Análisis de imágenes hiperespectrales. Revista Ingenieria & Desarrollo, 2013, Año 9 (N° 35), pp.14-17. ffhal-00935014f. I. O. Sigirci and G. Bilgin, "Hyperspectral image segmentation using the Dirichlet mixture models," 2014 22nd Signal Processing and Communications Applications Conference (SIU), 2014, pp. 983-986, doi: 10.1109/SIU.2014.6830396. Saeidan, A., Khojastehpour, M., Golzarian, M. R., Mooenfard, M., & Khan, H. A. (2021). Detection of foreign materials in cocoa beans by hyperspectral imaging technology. Food Control, 129 doi:10.1016/j.foodcont.2021.108242 Lan W., Jaillais B., Renard C., Leca A., Songchao Chen, Le B., B. Sylvie, A method using near infrared hyperspectral imaging to highlight the internal quality of apple fruit slices, Postharvest Biology and Technology, Volume 175, 2021, 111497, ISSN 0925-5214, https://doi.org/10.1016/j.postharvbio.2021.111497. Lassalle, G., Fabre, S., Credoz, A. et al. Mapping leaf metal content over industrial brownfields using airborne hyperspectral imaging and optimized vegetation indices. Sci Rep 11, 2 (2021). https://doi-org.ezproxy.unal.edu.co/10.1038/s41598-020-79439-z. Trujillano, J., March, J., & Sorribas, A. (2004). Aproximación metodológica al uso de redes neuronales artificiales para la predicción de resultados en medicina. Medicina Clínica, 122(Supl.1), 59-67. doi: 10.1157/13057536. Aplicando la imagen hiperespectral para detectar contaminantes, https://www.ainia.es/tecnoalimentalia/tecnologia/aplicando-la-imagen-hiperespectral-para- detectar-contaminantes/. Qué es R y por qué utilizarlo | OpenWebinars, https://openwebinars.net/blog/que-es-r-y- por-que-utilizarlo/ Accessed: 2021-01-30. ¿Qué es R?, https://www.r-project.org/about.html, Accedido 15- 02 - 2020. Cámaras Hiperespectrales, https://mesurex.com/product-category/camaras- hiperespectrales/ Análisis de Componentes Principales (Principal Component Analysis, PCA) y t-SNE, Joaquín Amat Rodrigo https://www.cienciadedatos.net/documentos/35_principal_component_analysis#Otros_m% C3%A9todos_de_reducci%C3%B3n_de_dimensionalidad, Junio, 2017. Métodos de clasificación, https://bookdown.org/content/2274/metodos-de- clasificacion.html#analisis-discriminante. Aumento de gradiente en R | DataScience +, https://datascienceplus.com/gradient- boosting-in-r/, Accessed: 2021-04-12. Reducción de la Dimensionalidad - Aprende IA, https://aprendeia.com/reduccion-de-la- dimensionalidad-machine-learning/, Accessed: 2021-05-25. Step function – Rdocumentation, https://www.rdocumentation.org/packages/stats/versions/3.6.2/topics/step, Accessed: 2021-05-30. Resumen de regresión lineal (lm): interpretación en R – Boostedml, https://boostedml.com/2019/06/linear-regression-in-r-interpreting-summarylm.html, Accessed: 2021-05-30. J Barrios, La matriz de confusión y sus métricas – Inteligencia Artificial, Consultores estratégicos en Ciencia de Datos, https://www.juanbarrios.com/la-matriz-de-confusion-y- sus-metricas/, Accessed: 2021-05-31. HySpex. (2021). from https://www.hyspex.com/hyspex-products/hyspex- classic/hyspex-vnir-1800/, Retrieved 11 June 2021. Minería_Datos Inteligencia_artificial « Inteligencia en el Negocio. Descifrando el 3.0.... (2021). Retrieved 15 July 2021, from http://rtdibermatica.com/?tag=mineria_datos- inteligencia_artificial. Heras, J. (2021). Precision, Recall, F1, Accuracy en clasificación - IArtificial.net. Retrieved 20 July 2021, from https://www.iartificial.net/precision-recall-f1-accuracy-en- clasificacion/ |
| dc.rights.spa.fl_str_mv |
Derechos reservados al autor, 2021 |
| dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| dc.rights.license.spa.fl_str_mv |
Atribución-NoComercial-SinDerivadas 4.0 Internacional |
| dc.rights.uri.spa.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/4.0/ |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
| rights_invalid_str_mv |
Atribución-NoComercial-SinDerivadas 4.0 Internacional Derechos reservados al autor, 2021 http://creativecommons.org/licenses/by-nc-nd/4.0/ http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.spa.fl_str_mv |
103 páginas |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.publisher.spa.fl_str_mv |
Universidad Nacional de Colombia |
| dc.publisher.program.spa.fl_str_mv |
Bogotá - Ingeniería - Maestría en Ingeniería - Automatización Industrial |
| dc.publisher.department.spa.fl_str_mv |
Departamento de Ingeniería Eléctrica y Electrónica |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad de Ingeniería |
| dc.publisher.place.spa.fl_str_mv |
Bogotá, Colombia |
| dc.publisher.branch.spa.fl_str_mv |
Universidad Nacional de Colombia - Sede Bogotá |
| institution |
Universidad Nacional de Colombia |
| bitstream.url.fl_str_mv |
https://repositorio.unal.edu.co/bitstream/unal/81084/1/LeonardoRamonPoma.2021.pdf https://repositorio.unal.edu.co/bitstream/unal/81084/2/license.txt https://repositorio.unal.edu.co/bitstream/unal/81084/3/licenciay%20autorizacion%20-%20Leonardo%20Xavier%20Ramon%20Poma.pdf https://repositorio.unal.edu.co/bitstream/unal/81084/4/LeonardoRamonPoma.2021.pdf.jpg |
| bitstream.checksum.fl_str_mv |
b08f0c7c5545293bfa28394088c98fe2 8153f7789df02f0a4c9e079953658ab2 b8fda97e41a4bdaa563d1f59dd9d7225 e55e8f5002d284b4aa864b4c2a7771a1 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional Universidad Nacional de Colombia |
| repository.mail.fl_str_mv |
repositorio_nal@unal.edu.co |
| _version_ |
1814089402049101824 |
| spelling |
Atribución-NoComercial-SinDerivadas 4.0 InternacionalDerechos reservados al autor, 2021http://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Prieto Ortiz, Flavio Augustoe5e0629d29d9b754bf18e0f0017122daRamón Poma, Leonardo Xavierca50fc40bed7ed338682e4dd9a71de832022-02-28T23:09:52Z2022-02-28T23:09:52Z2021https://repositorio.unal.edu.co/handle/unal/81084Universidad Nacional de ColombiaRepositorio Institucional Universidad Nacional de Colombiahttps://repositorio.unal.edu.co/ilustraciones, fotografías, gráficas, tablasEl Objetivo de este documento es presentar un análisis de las técnicas de clasificación para la identificación de la enfermedad conocida como la antracnosis en las hojas de mango de un repositorio de la universidad del año 2020, a través del procesamiento en lenguaje R. Primero se revela la importancia de lograr controlar la antracnosis en etapas temprana, a través de un estudio del arte de los mejores trabajos relacionados. Previo a la aplicación de técnicas de clasificación se presentó un preprocesamiento donde se realiza la lectura de las imágenes hiperespectrales, reducción de dimensionalidad, técnicas de normalización, obtención de bandas más relevante, organización en tres clases y subdivisión en conjuntos de pruebas y entrenamiento. Luego se estudia cinco técnicas de clasificación como son Máquina de vectores de Soporte (SVM), Análisis discriminante Lineal (LDA), Método de Potenciación de Gradiente (GBM), Bosques Aleatorios (RF) y Redes neuronales (NN), Finalmente se compara su desempeño y tiempo de entrenamiento del modelo. (Texto tomado de la fuente)The objective of this document is to present an analysis of the classification techniques for the identification of the disease known as anthracnose in the mango leaves of a university repository of the year 2020, through processing in R language. First it is revealed the importance of achieving control of anthracnose in early stages, through a study of the art of the best related works. Prior to the application of classification techniques, a preprocessing was presented where hyperspectral images are read, dimensionality reduction, normalization techniques, obtaining the most relevant bands, organization into three classes and subdivision into test and training sets. Then five classification techniques are studied such as Support Vector Machine (SVM), Linear Discriminant Analysis (LDA), Gradient Potentiation Method (GBM), Random Forests (RF) and Neural Networks (NN), Finally their performance and training time of the model.MaestríaMagíster en Ingeniería - Automatización IndustrialEspectrometría103 páginasapplication/pdfspaUniversidad Nacional de ColombiaBogotá - Ingeniería - Maestría en Ingeniería - Automatización IndustrialDepartamento de Ingeniería Eléctrica y ElectrónicaFacultad de IngenieríaBogotá, ColombiaUniversidad Nacional de Colombia - Sede Bogotá620 - Ingeniería y operaciones afines::629 - Otras ramas de la ingenieríaMangoMétodos estadísticosAnálisis de datosMangoesStatistical methodsData analysisAntracnosisEspectroscopiaReflectanciaLDASVMRFNNGBMAnthracnoseSpectroscopyReflectanceLDASVMRFNNGBMAnálisis de imágenes hiperespectrales en hojas de mango empleando lenguaje RHyperspectral imaging analysis in mango leaves using RTrabajo de grado - Maestríainfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/acceptedVersionTexthttp://purl.org/redcol/resource_type/TMRodríguez, A. T., Dávila, J. F. R., Siclán, M. L. S., Vildózola, Á. C., Zamora, F. I. M., & Díaz, A. V. L. (2020). Distribución espacial de antracnosis (Colletotrichum gloeosporioides Penz) en aguacate en el Estado de México, México. Revista Argentina de Microbiología, 52(1), 72-81.Silva‐Rojas, H. V., & Ávila‐Quezada, G. D. (2011). Phylogenetic and morphological identification of Colletotrichum boninense: a novel causal agent of anthracnose in avocado. Plant Pathology, 60(5), 899-908.Rodríguez, A. T., Dávila, J. F. R., Siclán, M. L. S., Vildózola, Á. C., Zamora, F. I. M., & Díaz, A. V. L. (2020). Distribución espacial de antracnosis (Colletotrichum gloeosporioides Penz) en aguacate en el Estado de México, México. Revista Argentina de Microbiología, 52(1), 72-81.Ardila, C. E. C., Ramirez, L. A., & Ortiz, F. A. P. (2020). Spectral analysis for the early detection of anthracnose in fruits of Sugar Mango (Mangifera indica). Computers and Electronics in Agriculture, 173, 105357.Rondón, O., Sanabría de Albarracín, N., & Rondón, A. (2006). Respuesta in vitro a la acción de fungicidas para el control de antracnosis, Colletotrichum gloeosporioides Penz, en frutos de mango. Agronomía tropical, 56(2), 219-235.Páez Redondo, A. R. (2003). Tecnologías sostenibles para el manejo de la antracnosis (Colletotrichum gloesporioides (Penz.) Penz. & Sacc.) en papaya (Carica papaya L.) y mango (Mangifera indica L.).Páez, A. R. (1997). Respuesta de cultivares de mango (Magnifera indica L.) a la antracnosis en la Costa Atlántica colombiana. Ciencia y Tecnología Agropecuaria, 2(1), 45-53.Galvis, J. P. A. (2017). Evaluación de un método de Aprendizaje Supervisado para la detección de las enfermedades, Antracnosis y Phytophthora Infestans en cultivos de fruta de Risaralda (Doctoral dissertation, Universidad Tecnológica de Pereira).Sevilla, M. A. C. S., Rocha, M. A. J. R., & Pintor, M. G. A. H. Identificación de enfermedad (antracnosis) en fresa a partir de imágenes digitales tomadas a la variedad de fresa festival.Santana, J. S., & Farfán, E. M. (2014). El arte de programar en R: un lenguaje para la estadística. Instituto Mexicano de Tecnología del Agua, 1.hyperSpec Introduction, Claudia Beleites, https://cran.r- project.org/web/packages/hyperSpec/vignettes/hyperspec.pdf, November 27, 2020.Package ‘hyperSpec’, Work with Hyperspectral Data, i.e. Spectra + Meta Information (Spatial, Time, Concentration, ...), Claudia Beleites, https://cran.r- project.org/web/packages/hyperSpec/hyperSpec.pdf, 2020-11-27.Singha, S., Pasupuleti, S., Singha, S.S., Singh, R., Kumar, S.57194762416;57194568754;57194762415;57215037747;57211640379; Prediction of groundwater quality using efficient machine learning technique (2021) Chemosphere, 276, art. no. 130265, . https://www.scopus.com/inward/record.uri?eid=2-s2.0- 5102890532&doi=10.1016%2fj.chemosphere.2021.130265&partnerID=40&md5=fb8827a4 3d04acdee18bfc452ebf41b2R: The R Project for Statistical Computing R: The R Project for Statistical Computing. (2020). Retrieved 6 April 2020, from https://www.r-project.org/RStudio | Open source & professional software for data science teams, RStudio | Open source & professional software for data science teams. (2020). Retrieved 6 April 2020, from https://rstudio.com/X Kangab, P Duanab, S Liab, Hyperspectral image visualization with edge-preserving filtering and principal component analysis, Information Fusion, Volume 57, May 2020, Pages 130-143.Y. Liu, X. Chen, Z. Wang, Z.J. Wang, R.K. Ward, X. Wang, Deep learning for pixel-level image fusion: recent advances and future prospects, Inf. Fusion, 42 (2018), pp. 158-173, ArticleDownload PDFView Record in ScopusGoogle ScholarP. Perona, J. Malik, Scale-space and edge detection using anisotropic diffusion, IEEE Trans. Pattern Anal. Mach. Intel., 12 (7) (1990), pp. 629-639.F. Rottensteiner, J. Trinder, S. Clode, K. Kubik, Using the Dempster–Shafer method for the fusion of LIDAR data and multi-spectral images for building detection, Inf. Fusion, 6 (4) (2005), pp. 283-300.Zhang J.,Cheng T., Guo W., Xu X. Qiao H., Xie Y., Ma X., Leaf area index estimation model for UAV image hyperspectral data based on wavelength variable selection and machine learning methods, Volume 17, Issue 1, Article number 49, December 2021, 10.1186/s13007-021-00750-5.P Bajcsy, P Groves, Methodology for hyperspectral band selection, Photogrammetric Engineering and Remote Sensing journal, Vol. 70, Number 7, July 2004, pp. 793-802, 21- May-2014.J Gonzalez, S Castelblanco, Aplicación de técnicas de machine learning para estimar propiedades físicas de hidrocarburos a partir de firmas espectrales, pp 7-30, https://repositorio.uniandes.edu.co/bitstream/handle/1992/34930/u820869.pdf?sequence= 1.García Navarrete, O. (2013). Detección temprana de daños mecánicos por golpe en el manejo poscosecha de la manzana Fuji a través de imágenes hiperespectrales.The Comprehensive R Archive Network", Cran.r-project.org, 2020. [Online]. Available: https://cran.r-project.org/. [Accessed: 13- Apr- 2020].The Comprehensive R Archive Network", Cran.r-project.org, 2020. [Online]. Available: https://cran.r-project.org/. [Accessed: 13- Apr- 2020].A. Roman-Gonzalez, N Indira Vargas-Cuentas. Análisis de imágenes hiperespectrales. Revista Ingenieria & Desarrollo, 2013, Año 9 (N° 35), pp.14-17. ffhal-00935014f.I. O. Sigirci and G. Bilgin, "Hyperspectral image segmentation using the Dirichlet mixture models," 2014 22nd Signal Processing and Communications Applications Conference (SIU), 2014, pp. 983-986, doi: 10.1109/SIU.2014.6830396.Saeidan, A., Khojastehpour, M., Golzarian, M. R., Mooenfard, M., & Khan, H. A. (2021). Detection of foreign materials in cocoa beans by hyperspectral imaging technology. Food Control, 129 doi:10.1016/j.foodcont.2021.108242Lan W., Jaillais B., Renard C., Leca A., Songchao Chen, Le B., B. Sylvie, A method using near infrared hyperspectral imaging to highlight the internal quality of apple fruit slices, Postharvest Biology and Technology, Volume 175, 2021, 111497, ISSN 0925-5214, https://doi.org/10.1016/j.postharvbio.2021.111497.Lassalle, G., Fabre, S., Credoz, A. et al. Mapping leaf metal content over industrial brownfields using airborne hyperspectral imaging and optimized vegetation indices. Sci Rep 11, 2 (2021). https://doi-org.ezproxy.unal.edu.co/10.1038/s41598-020-79439-z.Trujillano, J., March, J., & Sorribas, A. (2004). Aproximación metodológica al uso de redes neuronales artificiales para la predicción de resultados en medicina. Medicina Clínica, 122(Supl.1), 59-67. doi: 10.1157/13057536.Aplicando la imagen hiperespectral para detectar contaminantes, https://www.ainia.es/tecnoalimentalia/tecnologia/aplicando-la-imagen-hiperespectral-para- detectar-contaminantes/.Qué es R y por qué utilizarlo | OpenWebinars, https://openwebinars.net/blog/que-es-r-y- por-que-utilizarlo/ Accessed: 2021-01-30.¿Qué es R?, https://www.r-project.org/about.html, Accedido 15- 02 - 2020.Cámaras Hiperespectrales, https://mesurex.com/product-category/camaras- hiperespectrales/Análisis de Componentes Principales (Principal Component Analysis, PCA) y t-SNE, Joaquín Amat Rodrigohttps://www.cienciadedatos.net/documentos/35_principal_component_analysis#Otros_m% C3%A9todos_de_reducci%C3%B3n_de_dimensionalidad, Junio, 2017.Métodos de clasificación, https://bookdown.org/content/2274/metodos-de- clasificacion.html#analisis-discriminante.Aumento de gradiente en R | DataScience +, https://datascienceplus.com/gradient- boosting-in-r/, Accessed: 2021-04-12.Reducción de la Dimensionalidad - Aprende IA, https://aprendeia.com/reduccion-de-la- dimensionalidad-machine-learning/, Accessed: 2021-05-25.Step function – Rdocumentation, https://www.rdocumentation.org/packages/stats/versions/3.6.2/topics/step, Accessed: 2021-05-30.Resumen de regresión lineal (lm): interpretación en R – Boostedml, https://boostedml.com/2019/06/linear-regression-in-r-interpreting-summarylm.html, Accessed: 2021-05-30.J Barrios, La matriz de confusión y sus métricas – Inteligencia Artificial, Consultores estratégicos en Ciencia de Datos, https://www.juanbarrios.com/la-matriz-de-confusion-y- sus-metricas/, Accessed: 2021-05-31.HySpex. (2021). from https://www.hyspex.com/hyspex-products/hyspex- classic/hyspex-vnir-1800/, Retrieved 11 June 2021.Minería_Datos Inteligencia_artificial « Inteligencia en el Negocio. Descifrando el 3.0.... (2021). Retrieved 15 July 2021, from http://rtdibermatica.com/?tag=mineria_datos- inteligencia_artificial.Heras, J. (2021). Precision, Recall, F1, Accuracy en clasificación - IArtificial.net. Retrieved 20 July 2021, from https://www.iartificial.net/precision-recall-f1-accuracy-en- clasificacion/EstudiantesInvestigadoresORIGINALLeonardoRamonPoma.2021.pdfLeonardoRamonPoma.2021.pdfTesis de Maestría en Ingeniería - Automatización industrialapplication/pdf2229347https://repositorio.unal.edu.co/bitstream/unal/81084/1/LeonardoRamonPoma.2021.pdfb08f0c7c5545293bfa28394088c98fe2MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-84074https://repositorio.unal.edu.co/bitstream/unal/81084/2/license.txt8153f7789df02f0a4c9e079953658ab2MD52licenciay autorizacion - Leonardo Xavier Ramon Poma.pdflicenciay autorizacion - Leonardo Xavier Ramon Poma.pdfLicencia de publicaciónapplication/pdf3082565https://repositorio.unal.edu.co/bitstream/unal/81084/3/licenciay%20autorizacion%20-%20Leonardo%20Xavier%20Ramon%20Poma.pdfb8fda97e41a4bdaa563d1f59dd9d7225MD53THUMBNAILLeonardoRamonPoma.2021.pdf.jpgLeonardoRamonPoma.2021.pdf.jpgGenerated Thumbnailimage/jpeg4530https://repositorio.unal.edu.co/bitstream/unal/81084/4/LeonardoRamonPoma.2021.pdf.jpge55e8f5002d284b4aa864b4c2a7771a1MD54unal/81084oai:repositorio.unal.edu.co:unal/810842024-08-03 23:10:40.783Repositorio Institucional Universidad Nacional de Colombiarepositorio_nal@unal.edu.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 |