Detección y clasificación de antracnosis en mango usando imágenes hiperespectrales y técnicas de aprendizaje profundo
ilustraciones, fotografías, graficas, tablas
- Autores:
-
Montenegro Bermudez, Andres Felipe
- 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/81735
- Palabra clave:
- 000 - Ciencias de la computación, información y obras generales::005 - Programación, programas, datos de computación
Antracnosis
Visión por computador
Agricultura de precisión
Inteligencia artificial
Imágenes hiperespectrales
Computer vision
Precision agriculture
Artificial intelligence
Hyperspectral imaging
Inteligencia artificial
Algoritmo
Artificial intelligence
Algorithms
- Rights
- openAccess
- License
- Atribución-NoComercial-SinDerivadas 4.0 Internacional
| id |
UNACIONAL2_dda5af22cc27e61f3099820594129fb4 |
|---|---|
| oai_identifier_str |
oai:repositorio.unal.edu.co:unal/81735 |
| network_acronym_str |
UNACIONAL2 |
| network_name_str |
Universidad Nacional de Colombia |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Detección y clasificación de antracnosis en mango usando imágenes hiperespectrales y técnicas de aprendizaje profundo |
| dc.title.translated.eng.fl_str_mv |
Detection and classification of mango anthracnose using hyperspectral imaging and deep learning techniques |
| title |
Detección y clasificación de antracnosis en mango usando imágenes hiperespectrales y técnicas de aprendizaje profundo |
| spellingShingle |
Detección y clasificación de antracnosis en mango usando imágenes hiperespectrales y técnicas de aprendizaje profundo 000 - Ciencias de la computación, información y obras generales::005 - Programación, programas, datos de computación Antracnosis Visión por computador Agricultura de precisión Inteligencia artificial Imágenes hiperespectrales Computer vision Precision agriculture Artificial intelligence Hyperspectral imaging Inteligencia artificial Algoritmo Artificial intelligence Algorithms |
| title_short |
Detección y clasificación de antracnosis en mango usando imágenes hiperespectrales y técnicas de aprendizaje profundo |
| title_full |
Detección y clasificación de antracnosis en mango usando imágenes hiperespectrales y técnicas de aprendizaje profundo |
| title_fullStr |
Detección y clasificación de antracnosis en mango usando imágenes hiperespectrales y técnicas de aprendizaje profundo |
| title_full_unstemmed |
Detección y clasificación de antracnosis en mango usando imágenes hiperespectrales y técnicas de aprendizaje profundo |
| title_sort |
Detección y clasificación de antracnosis en mango usando imágenes hiperespectrales y técnicas de aprendizaje profundo |
| dc.creator.fl_str_mv |
Montenegro Bermudez, Andres Felipe |
| dc.contributor.advisor.none.fl_str_mv |
Prieto Ortiz, Flavio Augusto |
| dc.contributor.author.none.fl_str_mv |
Montenegro Bermudez, Andres Felipe |
| dc.contributor.researchgroup.spa.fl_str_mv |
Grupo de Automática de la Universidad Nacional Gaunal |
| dc.subject.ddc.spa.fl_str_mv |
000 - Ciencias de la computación, información y obras generales::005 - Programación, programas, datos de computación |
| topic |
000 - Ciencias de la computación, información y obras generales::005 - Programación, programas, datos de computación Antracnosis Visión por computador Agricultura de precisión Inteligencia artificial Imágenes hiperespectrales Computer vision Precision agriculture Artificial intelligence Hyperspectral imaging Inteligencia artificial Algoritmo Artificial intelligence Algorithms |
| dc.subject.agrovocuri.none.fl_str_mv |
Antracnosis |
| dc.subject.proposal.spa.fl_str_mv |
Visión por computador Agricultura de precisión Inteligencia artificial Imágenes hiperespectrales |
| dc.subject.proposal.eng.fl_str_mv |
Computer vision Precision agriculture Artificial intelligence Hyperspectral imaging |
| dc.subject.unesco.spa.fl_str_mv |
Inteligencia artificial Algoritmo |
| dc.subject.unesco.eng.fl_str_mv |
Artificial intelligence Algorithms |
| description |
ilustraciones, fotografías, graficas, tablas |
| publishDate |
2021 |
| dc.date.issued.none.fl_str_mv |
2021 |
| dc.date.accessioned.none.fl_str_mv |
2022-07-25T13:20:14Z |
| dc.date.available.none.fl_str_mv |
2022-07-25T13:20:14Z |
| 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/81735 |
| 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/81735 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 |
https://docs.opencv.org/4.x/df/d9d/tutorialpycolorspaces:html https://www.deccoiberica.es/que-es-la-antracnosis-y-como-afecta-a-los-cultivos/, 2018 https://cs231n.github.io/convolutional-networks/, 2021 E. Alegre, G. Pajares, and A. D. L. Escalera. Conceptos y Métodos en visión por computador. 2016 L. Annala, M. A. Eskelinen, J. Hamalainen, A. Riihinen, and I. Polonen. Practical approach for hyperspectral image processing in python. volume 42, pages 45{52. International Society for Photogrammetry and Remote Sensing, 4 2018. doi: 10.5194/isprs-archives-XLII-3-45- 2018 A. Bannari, A. Pacheco, K. Staenz, H. McNairn, and K. Omari. Estimating and mapping crop residues cover on agricultural lands using hyperspectral and ikonos data. Remote Sensing of Environment, 104:447{459, 10 2006. ISSN 00344257. doi: 10.1016/j.rse.2006.05.018 R. Bongiovanni, E. C. Mantovani, S. Best, and Alvaro Roel. Agricultura de precisión: Integrando conocimientos para una agricultura moderna y sustentable, 2006 G. Bradski and A. Kaehler. Learning OpenCV. 2008 J. Carrillo, J. Armando, S. Estrada, D. Rangel, A. Barajas, I. Zequera, R. Molar, Z. D. la Garza Ruiz, M. Vera, and E. Fentanes. Control biológico de antracnosis [colletotrichum gloeosporioides(penz.) penz. y sacc.] y su efecto en la calidad poscosecha delmango (mangifera indica l.) en sinaloa, méxico. Revista Mexicana de Fitopatología, page 10, 2005. ISSN 0185-3309. URL http://www.redalyc.org/articulo.oa?id=61223104 G. Casal, J. Dominguez, N. Sanchez, and J. Freire. Utilización del sensor de imagen airborne hyperspectralscanner (ahs) para la cartograf´ıa de bosques de sargassum muticumen la ría de vigo (galicia). Revista de teledetecci´on, page 6, 2008 J. D. P. Díaz. Aplicación de las técnicas de aprendizaje automático para la detección temprana de antracnosis en hojas de guanábana, 2020 A. Fazari, O. J. Pellicer-Valero, J. Gómez-Sanchıs, B. Bernardi, S. Cubero, S. Benalia, G. Zimbalatti, and J. Blasco. Application of deep convolutional neural networks for the detection of anthracnose in olives using vis/nir hyperspectral images. Computers and Electronics in Agriculture, 187, 8 2021. ISSN 01681699. doi: 10.1016/j.compag.2021.106252 E. García and F. Flego. Agricultura de precisión R. C. Gonzalez and R. E. R. E. Woods. Digital image processing. 2001. ISBN 0201180758 M. L. Guillen-Climent, H. Mas, A. Fernández-Landa, N. Algeet-Abarquero, and J. L.Tomé. Using hipersepctral images for decay detection in pinus halepensis (mill.) in the mediterranean forest. Revista de Teledeteccion, 2020:59{69, 2020. ISSN 19888740. doi: 10.4995/raet.2020.13289 R. L. Lawrence, S. D. Wood, and R. L. Sheley. Mapping invasive plants using hyperspectral imagery and breiman cutler classifications (randomforest). Remote Sensing of Environment, 100:356{362, 2 2006. ISSN 00344257. doi: 10.1016/j.rse.2005.10.014 B. A. Lemus Soriano and D. A. Pérez Aguilar. Manejo de la antracnosis del aguacate con biofungicidas. page 5, 2017 J. L. Perez. Imágenes hiperespectrales y sus aplicacionesen estudios de suelos, cultivos y bosques, en la era de la cuarta revolución industrial. REVISTA UD Y LA GEOMATICA ´ , pages 40{70, 2021. ISSN 2344-8407. URL http://revistas.udistrital.edu.co/ojs/index.php/UDGeo/index S. Prasad and J. Chanussot. Advances in Computer Vision and Pattern Recognition Hyperspectral Image Analysis Advances in Machine Learning and Signal Processing. 2020. URL http://www.springer.com/series/4205 L. Ramirez. Desarrollo de un sistema para la identificación temprana de la antracnosis en frutos de mangobasado en visión de máquina, 2021 A. Roman-Gonzalez and N. I. Vargas-Cuentas. Análisis de imágenes hiperespectrales, 2015. URL https://www.researchgate.net/publication/259840849 J. Torres. Python Deep Learning. Primera edition, 2020 L. Urdaneta, M. Sanabria, D. Rodríguez, and M. P. de Camacaro. Antracnosis causada por colletotrichum acutatum simmonds en frutos de fresa en los estados lara y trujillo, venezuela, 2013 L. A. Valdés, D. L. C. Consuegra, A. Gómez, M. E. Carballo, M. Capote, I. González, J. M. Alvarez, and W. Rohde. Caracterización morfológica, cultural y patogénica de aislados de ´colletotrichum sp. produciendo antracnosis en mango (mangifera indica l.). La Granja, 26: 38, 9 2017. ISSN 1390-3799. doi: 10.17163/lgr.n26.2017.04 S. Yu, S. Jia, and C. Xu. Convolutional neural networks for hyperspectral image classification. Neurocomputing, 219:88{98, 1 2017. ISSN 18728286. doi: 10.1016/j.neucom.2016.09.010 |
| 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 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 |
xii, 38 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/81735/3/1018472628.2022.pdf https://repositorio.unal.edu.co/bitstream/unal/81735/4/license.txt https://repositorio.unal.edu.co/bitstream/unal/81735/5/1018472628.2022.pdf.jpg |
| bitstream.checksum.fl_str_mv |
e66e8370021bdbbc8936961bec1acab7 8153f7789df02f0a4c9e079953658ab2 f6bb81474689d9399c3a090573315040 |
| bitstream.checksumAlgorithm.fl_str_mv |
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_ |
1806886166764453888 |
| spelling |
Atribución-NoComercial-SinDerivadas 4.0 Internacionalhttp://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Prieto Ortiz, Flavio Augustoe5e0629d29d9b754bf18e0f0017122daMontenegro Bermudez, Andres Felipe73b704f7d509ade55211fdf4db1e60bcGrupo de Automática de la Universidad Nacional Gaunal2022-07-25T13:20:14Z2022-07-25T13:20:14Z2021https://repositorio.unal.edu.co/handle/unal/81735Universidad Nacional de ColombiaRepositorio Institucional Universidad Nacional de Colombiahttps://repositorio.unal.edu.co/ilustraciones, fotografías, graficas, tablasDesde el surgimiento de las técnicas de inteligencia artificial han sido muchos los campos de producción que buscan usar estas técnicas para mejorar y automatizar sus procesos productivos. Uno de los campos que ha implementado dichas técnicas es la agricultura. Al combinar estos dos campos, la inteligencia artificial y la agricultura, nace una de las ramas de la agricultura de precisión, uno de los retos que se ha propuesto para esta rama es lograr diagnosticar enfermedades, o problemas en los cultivos, a través de la manipulación y entendimiento de imágenes. gracias a cambios en su morfología, color o reflectancia es posible determinar de manera temprana y poco invasiva los diferentes agentes que pueden estar afectando los cultivos. Un problema que no ha sido ampliamente estudiado es la antracnosis en cultivos de mango. Por ende este trabajo propone una solución de detección temprana de esta enfermedad, basada en el uso y análisis de imágenes hiperespectrales, mediante técnicas de aprendizaje profundo. En este estudio se mostraran conceptos acerca de la adquisición y procesamiento de este tipo de imágenes, así como el diseño y uso de algoritmos de aprendizaje profundo para la detección de antracnosis, sobre hojas de cultivos de mango en ambientes con iluminación controlada. Los resultados que se obtuvieron muestran lo útil que puede resultar aplicar esta tecnología, ya que se logró obtener un modelo basado en redes neuronales convolucionales en dos dimensiones el cual logra métricas de exactitud y precisión del 100%, y una función de pérdida loss del 0,001%, lo cual muestra el potencial de la fusión de la inteligencia artificial y el uso de las imágenes hiperespectrales para el desarrollo tecnológico de la agricultura de precisión. (Texto tomado de la fuente)Since the emergence of artificial intelligence techniques, many production fields have sought to use these techniques to improve and automate their production processes. One of the fields that has implemented these techniques is agriculture. By combining these two fields, artificial intelligence and agriculture, one of the branches of precision agriculture is born, one of the challenges that has been proposed for this branch is to diagnose diseases or problems in crops, through the manipulation and understanding of images. thanks to changes in morphology, color or reflectance it is possible to determine early and minimally invasive way the different agents that may be affecting crops. A problem that has not been widely studied is anthracnose in mango crops, therefore this work proposes a solution for early detection of this disease, based on the use and analysis of hyperspectral images, using deep learning techniques. This study will show concepts about the acquisition and processing of this type of images, as well as the design and use of deep learning algorithms for the detection of anthracnose on mango crop leaves in environments with controlled illumination. The results obtained show how useful it can be to apply this technology, since it was possible to obtain a model based on convolutional neural networks in two dimensions which achieves accuracy and precision metrics of 100%, and a loss function of 0.001%, which shows the potential of the fusion of artificial intelligence and the use of hyperspectral images for the technological development of precision agriculture.MaestríaMagíster en Ingeniería - Automatización IndustrialProcesamiento digital de imagenes y machine learning (Automatizacion de procesos)xii, 38 páginasapplication/pdfspaUniversidad Nacional de ColombiaBogotá - Ingeniería - Maestría en Ingeniería - Automatización IndustrialDepartamento de Ingeniería Eléctrica y ElectrónicaFacultad de IngenieríaBogotá, ColombiaUniversidad Nacional de Colombia - Sede Bogotá000 - Ciencias de la computación, información y obras generales::005 - Programación, programas, datos de computaciónAntracnosisVisión por computadorAgricultura de precisiónInteligencia artificialImágenes hiperespectralesComputer visionPrecision agricultureArtificial intelligenceHyperspectral imagingInteligencia artificialAlgoritmoArtificial intelligenceAlgorithmsDetección y clasificación de antracnosis en mango usando imágenes hiperespectrales y técnicas de aprendizaje profundoDetection and classification of mango anthracnose using hyperspectral imaging and deep learning techniquesTrabajo de grado - Maestríainfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/acceptedVersionTexthttp://purl.org/redcol/resource_type/TMhttps://docs.opencv.org/4.x/df/d9d/tutorialpycolorspaces:htmlhttps://www.deccoiberica.es/que-es-la-antracnosis-y-como-afecta-a-los-cultivos/, 2018https://cs231n.github.io/convolutional-networks/, 2021E. Alegre, G. Pajares, and A. D. L. Escalera. Conceptos y Métodos en visión por computador. 2016L. Annala, M. A. Eskelinen, J. Hamalainen, A. Riihinen, and I. Polonen. Practical approach for hyperspectral image processing in python. volume 42, pages 45{52. International Society for Photogrammetry and Remote Sensing, 4 2018. doi: 10.5194/isprs-archives-XLII-3-45- 2018A. Bannari, A. Pacheco, K. Staenz, H. McNairn, and K. Omari. Estimating and mapping crop residues cover on agricultural lands using hyperspectral and ikonos data. Remote Sensing of Environment, 104:447{459, 10 2006. ISSN 00344257. doi: 10.1016/j.rse.2006.05.018R. Bongiovanni, E. C. Mantovani, S. Best, and Alvaro Roel. Agricultura de precisión: Integrando conocimientos para una agricultura moderna y sustentable, 2006G. Bradski and A. Kaehler. Learning OpenCV. 2008J. Carrillo, J. Armando, S. Estrada, D. Rangel, A. Barajas, I. Zequera, R. Molar, Z. D. la Garza Ruiz, M. Vera, and E. Fentanes. Control biológico de antracnosis [colletotrichum gloeosporioides(penz.) penz. y sacc.] y su efecto en la calidad poscosecha delmango (mangifera indica l.) en sinaloa, méxico. Revista Mexicana de Fitopatología, page 10, 2005. ISSN 0185-3309. URL http://www.redalyc.org/articulo.oa?id=61223104G. Casal, J. Dominguez, N. Sanchez, and J. Freire. Utilización del sensor de imagen airborne hyperspectralscanner (ahs) para la cartograf´ıa de bosques de sargassum muticumen la ría de vigo (galicia). Revista de teledetecci´on, page 6, 2008J. D. P. Díaz. Aplicación de las técnicas de aprendizaje automático para la detección temprana de antracnosis en hojas de guanábana, 2020A. Fazari, O. J. Pellicer-Valero, J. Gómez-Sanchıs, B. Bernardi, S. Cubero, S. Benalia, G. Zimbalatti, and J. Blasco. Application of deep convolutional neural networks for the detection of anthracnose in olives using vis/nir hyperspectral images. Computers and Electronics in Agriculture, 187, 8 2021. ISSN 01681699. doi: 10.1016/j.compag.2021.106252E. García and F. Flego. Agricultura de precisiónR. C. Gonzalez and R. E. R. E. Woods. Digital image processing. 2001. ISBN 0201180758M. L. Guillen-Climent, H. Mas, A. Fernández-Landa, N. Algeet-Abarquero, and J. L.Tomé. Using hipersepctral images for decay detection in pinus halepensis (mill.) in the mediterranean forest. Revista de Teledeteccion, 2020:59{69, 2020. ISSN 19888740. doi: 10.4995/raet.2020.13289R. L. Lawrence, S. D. Wood, and R. L. Sheley. Mapping invasive plants using hyperspectral imagery and breiman cutler classifications (randomforest). Remote Sensing of Environment, 100:356{362, 2 2006. ISSN 00344257. doi: 10.1016/j.rse.2005.10.014B. A. Lemus Soriano and D. A. Pérez Aguilar. Manejo de la antracnosis del aguacate con biofungicidas. page 5, 2017J. L. Perez. Imágenes hiperespectrales y sus aplicacionesen estudios de suelos, cultivos y bosques, en la era de la cuarta revolución industrial. REVISTA UD Y LA GEOMATICA ´ , pages 40{70, 2021. ISSN 2344-8407. URL http://revistas.udistrital.edu.co/ojs/index.php/UDGeo/indexS. Prasad and J. Chanussot. Advances in Computer Vision and Pattern Recognition Hyperspectral Image Analysis Advances in Machine Learning and Signal Processing. 2020. URL http://www.springer.com/series/4205L. Ramirez. Desarrollo de un sistema para la identificación temprana de la antracnosis en frutos de mangobasado en visión de máquina, 2021A. Roman-Gonzalez and N. I. Vargas-Cuentas. Análisis de imágenes hiperespectrales, 2015. URL https://www.researchgate.net/publication/259840849J. Torres. Python Deep Learning. Primera edition, 2020L. Urdaneta, M. Sanabria, D. Rodríguez, and M. P. de Camacaro. Antracnosis causada por colletotrichum acutatum simmonds en frutos de fresa en los estados lara y trujillo, venezuela, 2013L. A. Valdés, D. L. C. Consuegra, A. Gómez, M. E. Carballo, M. Capote, I. González, J. M. Alvarez, and W. Rohde. Caracterización morfológica, cultural y patogénica de aislados de ´colletotrichum sp. produciendo antracnosis en mango (mangifera indica l.). La Granja, 26: 38, 9 2017. ISSN 1390-3799. doi: 10.17163/lgr.n26.2017.04S. Yu, S. Jia, and C. Xu. Convolutional neural networks for hyperspectral image classification. Neurocomputing, 219:88{98, 1 2017. ISSN 18728286. doi: 10.1016/j.neucom.2016.09.010EstudiantesInvestigadoresMaestrosPúblico generalORIGINAL1018472628.2022.pdf1018472628.2022.pdfTesis de Maestria en Automatizacion Industrialapplication/pdf2385432https://repositorio.unal.edu.co/bitstream/unal/81735/3/1018472628.2022.pdfe66e8370021bdbbc8936961bec1acab7MD53LICENSElicense.txtlicense.txttext/plain; charset=utf-84074https://repositorio.unal.edu.co/bitstream/unal/81735/4/license.txt8153f7789df02f0a4c9e079953658ab2MD54THUMBNAIL1018472628.2022.pdf.jpg1018472628.2022.pdf.jpgGenerated Thumbnailimage/jpeg4966https://repositorio.unal.edu.co/bitstream/unal/81735/5/1018472628.2022.pdf.jpgf6bb81474689d9399c3a090573315040MD55unal/81735oai:repositorio.unal.edu.co:unal/817352023-08-05 23:04:15.867Repositorio Institucional Universidad Nacional de Colombiarepositorio_nal@unal.edu.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 |