Smart agriculture framework from imagery based on representation learning

Nowadays, with the increasing need for food due to the high population, there are needed new alternatives in agriculture that avoid yield losses, while augmenting food security. Smart agriculture arises as a solution that gathers technology and agronomics, including aerial imagery, digital surface m...

Full description

Autores:
García Murillo, Daniel Guillermo
Tipo de recurso:
Fecha de publicación:
2019
Institución:
Universidad Nacional de Colombia
Repositorio:
Universidad Nacional de Colombia
Idioma:
spa
OAI Identifier:
oai:repositorio.unal.edu.co:unal/76881
Acceso en línea:
https://repositorio.unal.edu.co/handle/unal/76881
http://bdigital.unal.edu.co/73815/
Palabra clave:
Kernel Representation
Centered Kernel Alignment
Smart Agriculture
Digital Surface Model
Mathematical Morphology
Feature Extraction
Feature Selection
Representaciones Kernel
Alineamiento de Kernels Centralizados
Agricultura Inteligente
Modelo Digital de Supercie
Morfología Matemática
Extracción de Características
Rights
openAccess
License
Atribución-NoComercial 4.0 Internacional
id UNACIONAL2_5094f46f357524307ec9d9d583b30d09
oai_identifier_str oai:repositorio.unal.edu.co:unal/76881
network_acronym_str UNACIONAL2
network_name_str Universidad Nacional de Colombia
repository_id_str
dc.title.spa.fl_str_mv Smart agriculture framework from imagery based on representation learning
title Smart agriculture framework from imagery based on representation learning
spellingShingle Smart agriculture framework from imagery based on representation learning
Kernel Representation
Centered Kernel Alignment
Smart Agriculture
Digital Surface Model
Mathematical Morphology
Feature Extraction
Feature Selection
Representaciones Kernel
Alineamiento de Kernels Centralizados
Agricultura Inteligente
Modelo Digital de Supercie
Morfología Matemática
Extracción de Características
title_short Smart agriculture framework from imagery based on representation learning
title_full Smart agriculture framework from imagery based on representation learning
title_fullStr Smart agriculture framework from imagery based on representation learning
title_full_unstemmed Smart agriculture framework from imagery based on representation learning
title_sort Smart agriculture framework from imagery based on representation learning
dc.creator.fl_str_mv García Murillo, Daniel Guillermo
dc.contributor.advisor.spa.fl_str_mv Cárdenas Peña, David Augusto (Thesis advisor)
dc.contributor.author.spa.fl_str_mv García Murillo, Daniel Guillermo
dc.contributor.spa.fl_str_mv Castellanos Domínguez, César Germán
dc.subject.proposal.spa.fl_str_mv Kernel Representation
Centered Kernel Alignment
Smart Agriculture
Digital Surface Model
Mathematical Morphology
Feature Extraction
Feature Selection
Representaciones Kernel
Alineamiento de Kernels Centralizados
Agricultura Inteligente
Modelo Digital de Supercie
Morfología Matemática
Extracción de Características
topic Kernel Representation
Centered Kernel Alignment
Smart Agriculture
Digital Surface Model
Mathematical Morphology
Feature Extraction
Feature Selection
Representaciones Kernel
Alineamiento de Kernels Centralizados
Agricultura Inteligente
Modelo Digital de Supercie
Morfología Matemática
Extracción de Características
description Nowadays, with the increasing need for food due to the high population, there are needed new alternatives in agriculture that avoid yield losses, while augmenting food security. Smart agriculture arises as a solution that gathers technology and agronomics, including aerial imagery, digital surface models, meteorological stations, and machine learning techniques, to improve agricultural management, improving traditional techniques as human interpretation. Nevertheless, we identify two main problems: First, the lack of information about tree inventory due to not accurate maps. Second, the absence of accurate weed management derived from inefficient weed vs crop discrimination. In this work, we propose a new morphological transformation to deal with not accurate digital surface models, improving tree identification, and thus, generating tree inventories. Furthermore, we introduce a sparse feature extraction approach that remarkably separates overlapped classes. Finally, we propose a feature selection algorithm that extracts relevant features from a matrix projection. As a result, this work uses a smart agriculture framework from imagery based on representation learning to improve tree identification and weed/crop discrimination
publishDate 2019
dc.date.issued.spa.fl_str_mv 2019-08-03
dc.date.accessioned.spa.fl_str_mv 2020-03-30T06:31:54Z
dc.date.available.spa.fl_str_mv 2020-03-30T06:31:54Z
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/76881
dc.identifier.eprints.spa.fl_str_mv http://bdigital.unal.edu.co/73815/
url https://repositorio.unal.edu.co/handle/unal/76881
http://bdigital.unal.edu.co/73815/
dc.language.iso.spa.fl_str_mv spa
language spa
dc.relation.ispartof.spa.fl_str_mv Universidad Nacional de Colombia Sede Manizales Facultad de Ingeniería y Arquitectura Departamento de Ingeniería Eléctrica, Electrónica y Computación
Departamento de Ingeniería Eléctrica, Electrónica y Computación
dc.relation.haspart.spa.fl_str_mv 6 Tecnología (ciencias aplicadas) / Technology
dc.relation.references.spa.fl_str_mv García Murillo, Daniel Guillermo (2019) Smart agriculture framework from imagery based on representation learning. Maestría thesis, Universidad Nacional de Colombia - Sede Manizales.
dc.rights.spa.fl_str_mv Derechos reservados - Universidad Nacional de Colombia
dc.rights.coar.fl_str_mv http://purl.org/coar/access_right/c_abf2
dc.rights.license.spa.fl_str_mv Atribución-NoComercial 4.0 Internacional
dc.rights.uri.spa.fl_str_mv http://creativecommons.org/licenses/by-nc/4.0/
dc.rights.accessrights.spa.fl_str_mv info:eu-repo/semantics/openAccess
rights_invalid_str_mv Atribución-NoComercial 4.0 Internacional
Derechos reservados - Universidad Nacional de Colombia
http://creativecommons.org/licenses/by-nc/4.0/
http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv openAccess
dc.format.mimetype.spa.fl_str_mv application/pdf
institution Universidad Nacional de Colombia
bitstream.url.fl_str_mv https://repositorio.unal.edu.co/bitstream/unal/76881/1/1053839441.2019.pdf
https://repositorio.unal.edu.co/bitstream/unal/76881/2/1053839441.2019.pdf.jpg
bitstream.checksum.fl_str_mv 141d2c9c8abba41669434208d8d9ae38
c4284d1b76486f31a56e5e73a72945b7
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Repositorio Institucional Universidad Nacional de Colombia
repository.mail.fl_str_mv repositorio_nal@unal.edu.co
_version_ 1814090011550679040
spelling Atribución-NoComercial 4.0 InternacionalDerechos reservados - Universidad Nacional de Colombiahttp://creativecommons.org/licenses/by-nc/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Castellanos Domínguez, César GermánCárdenas Peña, David Augusto (Thesis advisor)4d4899ac-0b9a-4de3-bafd-f5b1abb9df44García Murillo, Daniel Guillermo5bed5913-4632-4a74-a636-7a04bfde535d3002020-03-30T06:31:54Z2020-03-30T06:31:54Z2019-08-03https://repositorio.unal.edu.co/handle/unal/76881http://bdigital.unal.edu.co/73815/Nowadays, with the increasing need for food due to the high population, there are needed new alternatives in agriculture that avoid yield losses, while augmenting food security. Smart agriculture arises as a solution that gathers technology and agronomics, including aerial imagery, digital surface models, meteorological stations, and machine learning techniques, to improve agricultural management, improving traditional techniques as human interpretation. Nevertheless, we identify two main problems: First, the lack of information about tree inventory due to not accurate maps. Second, the absence of accurate weed management derived from inefficient weed vs crop discrimination. In this work, we propose a new morphological transformation to deal with not accurate digital surface models, improving tree identification, and thus, generating tree inventories. Furthermore, we introduce a sparse feature extraction approach that remarkably separates overlapped classes. Finally, we propose a feature selection algorithm that extracts relevant features from a matrix projection. As a result, this work uses a smart agriculture framework from imagery based on representation learning to improve tree identification and weed/crop discriminationHoy en día, con la creciente necesidad de alimentos debido a la alta población, son necesarias nuevas alternativas en la agricultura que eviten las pérdidas de rendimiento y al mismo tiempo que aumentan la seguridad alimentaria. La agricultura inteligente surge como una solución que reúne la tecnología y la agronomía, incluyendo imágenes aéreas, modelos digitales de superficie, estaciones meteorológicas y técnicas de aprendizaje de máquina, para mejorar el manejo agrícola, superando las técnicas tradicionales como la interpretación humana. Sin embargo, se identificaron dos problemas principales: Primero, la falta de información sobre el inventario de ´arboles debido a mapas no precisos. En segundo lugar, la ausencia de un manejo preciso de las malezas derivado de la ineficiente discriminación de malezas vs cultivos. En este trabajo, proponemos una nueva transformación morfológica para tratar con modelos digitales de superficie no precisos, mejorando la identificación de los ´árboles y, por lo tanto, generar inventarios de ´arboles. Además, se presenta un enfoque de extracción de características dispersas que separa notablemente las clases superpuestas. Finalmente, proponemos un algoritmo de selección de características que extrae características relevantes de una matriz de proyección. Como resultado, este trabajo utiliza un marco de agricultura inteligente a partir de imágenes basadas en el aprendizaje de representación para mejorar la identificación de ´árboles y la discriminación de malezas vs cultivosMaestríaapplication/pdfspaUniversidad Nacional de Colombia Sede Manizales Facultad de Ingeniería y Arquitectura Departamento de Ingeniería Eléctrica, Electrónica y ComputaciónDepartamento de Ingeniería Eléctrica, Electrónica y Computación6 Tecnología (ciencias aplicadas) / TechnologyGarcía Murillo, Daniel Guillermo (2019) Smart agriculture framework from imagery based on representation learning. Maestría thesis, Universidad Nacional de Colombia - Sede Manizales.Smart agriculture framework from imagery based on representation learningTrabajo de grado - Maestríainfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/acceptedVersionTexthttp://purl.org/redcol/resource_type/TMKernel RepresentationCentered Kernel AlignmentSmart AgricultureDigital Surface ModelMathematical MorphologyFeature ExtractionFeature SelectionRepresentaciones KernelAlineamiento de Kernels CentralizadosAgricultura InteligenteModelo Digital de SupercieMorfología MatemáticaExtracción de CaracterísticasORIGINAL1053839441.2019.pdfTesis de Maestría en Ingeniería - Automatización Industrialapplication/pdf162174299https://repositorio.unal.edu.co/bitstream/unal/76881/1/1053839441.2019.pdf141d2c9c8abba41669434208d8d9ae38MD51THUMBNAIL1053839441.2019.pdf.jpg1053839441.2019.pdf.jpgGenerated Thumbnailimage/jpeg4379https://repositorio.unal.edu.co/bitstream/unal/76881/2/1053839441.2019.pdf.jpgc4284d1b76486f31a56e5e73a72945b7MD52unal/76881oai:repositorio.unal.edu.co:unal/768812024-09-16 16:04:24.592Repositorio Institucional Universidad Nacional de Colombiarepositorio_nal@unal.edu.co