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

Carlos David  Ardón Muñoz; Bryan José  Morales Calderón

doi:10.36314/cunori.v5i1.151

Authors

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

Keywords:

inteligencia artificial, redes neuronales, visión artificial

Abstract

We conducted a comparative study between two neural network architectures, InceptionV3 and ResNet50, to determine which one is better at classifying the severity of the Golden Mosaic Virus in beans. For this, we collected and manually classified 3409 bean leaf images. We organized the samples in two ways: three categories (high, medium, and low) and two categories (high and low). Furthermore, we trained the models with two levels of feature extraction: all layers and intermediate layers. The results of the training on the data distributed in three categories produced models with high-bias. On the other hand, models trained on the data set with two categories produced the highest accuracy on the test set when extracting features from intermediate layers (ResNet50=96.68% and InceptionV3=94.47%). With a McNemar test, we determine that the difference is statistically significant at a 5% significance level. Therefore, ResNet50 with feature extraction from intermediate layers has the highest accuracy in the studied task.

Downloads

Download data is not yet available.

Author Biographies

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.

References

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.