Clasificación automática de la severidad del Virus del Mosaico Dorado en frijol
DOI:
https://doi.org/10.36314/cunori.v5i1.151Palabras clave:
inteligencia artificial, redes neuronales, visión artificialResumen
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
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 DOI: 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 DOI: 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 DOI: 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 DOI: 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 DOI: 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 DOI: 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
Cómo citar
Número
Sección
Licencia
Derechos de autor 2021 Carlos David Ardón Muñoz, Bryan José Morales Calderón
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores/as que publiquen en esta revista aceptan las siguientes condiciones:
- Los autores/as conservan los derechos de autor y ceden a la revista el derecho de la primera publicación, con el trabajo registrado con la licencia de atribución de Creative Commons 4.0, que permite a terceros utilizar lo publicado siempre que mencionen la autoría del trabajo y a la primera publicación en esta revista.
- Los autores/as pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en esta revista (p. ej., incluirlo en un repositorio institucional o publicarlo en un libro) siempre que indiquen claramente que el trabajo se publicó por primera vez en esta revista.
- Se permite y recomienda a los autores/as a compartir su trabajo en línea (por ejemplo: en repositorios institucionales o páginas web personales) antes y durante el proceso de envío del manuscrito, ya que puede conducir a intercambios productivos, a una mayor y más rápida citación del trabajo publicado (vea The Effect of Open Access).
- Se permite a los autores la publicación de erratas y por otra parte se responsabilizan de la retractación de artículos.
