Clasificación automática de la severidad del Virus del Mosaico Dorado en frijol

Autores/as

  • Carlos David Ardón Muñoz Universidad de San Carlos de Guatemala
  • Bryan José Morales Calderón Universidad de San Carlos de Guatemala

DOI:

https://doi.org/10.36314/cunori.v5i1.151

Palabras clave:

inteligencia artificial, redes neuronales, visión artificial

Resumen

Se realizó un estudio comparativo entre dos arquitecturas de redes neuronales, InceptionV3 y ResNet50, para determinar cuál es la mejor en la clasificación de la severidad del Virus del Mosaico Dorado en frijol. Para esto, se recolectaron y clasificaron manualmente 3409 imágenes de hojas de frijol. Las muestras se organizaron en dos formas de agrupación, tres categorías (alto, medio y bajo) y dos categorías (alto y bajo). Además, los entrenamientos se realizaron con dos niveles de extracción de características: todas las capas y desde capas intermedias. Los resultados de los entrenamientos sobre los datos distribuidos en tres categorías produjeron modelos con high-bias. Por otro lado, los modelos entrenados sobre el conjunto de datos con dos categorías produjeron las exactitudes más altas sobre el conjunto de pruebas al extraer características desde capas intermedias (ResNet50=96.68% e InceptionV3=94.47%). Con una prueba de McNemar se determinó que la diferencia es estadísticamente significativa a un nivel de significancia del 5%. Por tanto, ResNet50 con extracción de características desde capas intermedias posee la exactitud más alta en la tarea estudiada.

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

Carlos David Ardón Muñoz, Universidad de San Carlos de Guatemala

Es Ingeniero en Ciencias y Sistemas egresado de la Universidad de San Carlos de Guatemala. Se desempeña como profesor de las Carreras de Ingeniería en el Centro Universitario de Oriente, donde imparte cursos relacionados con ciencia de la computación y metodología de la investigación.

Bryan José Morales Calderón, Universidad de San Carlos de Guatemala

Es Ingeniero Agrónomo en Sistemas de Producción, egresado de la Universidad de San Carlos de Guatemala. Ha realizado investigaciones en maíz como investigador principal y en frijol como investigador adjunto. Actualmente labora como Director Municipal de Planificación en la Municipalidad de San Jacinto, Chiquimula.

Citas

Alpaydin, E. (2016). Machine Learning: the new AI. MIT Press.

Esgario, J. G. M., Krohling, R. A., & Ventura, J. A. (2020). Deep learning for classification and severity estimation of coffee leaf biotic stress. En Computers and Electronics in Agriculture, 169. https://doi.org/10.1016/ j.compag.2019.105162

Gnana-Sheela, K., & Deepa S. N. (2013). Review on Methods to Fix Number of Hidden Neurons in Neural Networks. En Mathematical Problems in Engineering, 2013. https://doi.org/10.1155/2013/425740

He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. En Proceedings of the IEEE conference on computer vision and pattern recognition, 770-778. https://doi.org/10.1109/CVPR.2016.90

Instituto Interamericano de Cooperación para la Agricultura, Proyecto Red Sistema de Integración Centroamericano de Tecnología Agrícola, & Cooperación Suiza para el Desarrollo. (2008). Guía de identificación y manejo integrado de las enfermedades del frijol en América Central. IICA. Recuperado de http://repiica.iica.int/docs/B0891E/B0891E.pdf

Krizhevsky, A., Sutskever, I., & Hinton, G. (2012). Imagenet classification with deep convolutional neural networks. En Advances in Neural Information Processing Systems, 25(2). https://doi.org/10.1145/3065386

Menchú, M. T., & Méndez, H. (2011). Análisis de la situación alimentaria en Guatemala. Guatemala: Instituto de Nutrición de Centro América y Panamá. Recuperado de http://www.incap.int/index.php/es/publicaciones/publicaciones-incap/doc_view/663-guatemala-informe-analisis-de-situacion-alimentaria

Ministerio de Agricultura, Ganadería y Alimentación. (2017). Informe situacional del frijol. DIPLAN/MAGA.

Stathakis, D. (2009). How many hidden layers and nodes?. International Journal of Remote Sensing, 30(8), 2133-2147. https://doi.org/10.1080/01431160802549278

Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., Erhan, D. Vanhoucke, V., & Rabinovich, A. (2015). Going deeper with convolutions. En Proceedings of the IEEE conference on computer vision and pattern recognition, 1-9. https://doi.org/10.1109/CVPR.2015.7298594

Van-Schoonhoven, A., & Pastor-Corrales, M. A. (1987). Sistema estándar para la evaluación de germoplasma de frijol. Centro Integral de Agricultura Tropical.

Descargas

Publicado

2021-01-22

Cómo citar

Ardón Muñoz, C. D. ., & Morales Calderón, B. J. . (2021). Clasificación automática de la severidad del Virus del Mosaico Dorado en frijol. Revista Ciencia Multidisciplinaria CUNORI, 5(1), 41–50. https://doi.org/10.36314/cunori.v5i1.151