Redes neuronales convolucionales para el reconocimiento de imágenes con presencia de cenicilla polvorienta en cultivos de tomate

Autores/as

  • Deny Lizbeth Hernández Rabadán Universidad Politécnica del Estado de Morelos, Boulevard Cuauhnáhuac #566, Col. Lomas del Texcal, Jiutepec, Morelos. CP 62550
  • Juan Paulo Sánchez Hernández Universidad Politécnica del Estado de Morelos, Boulevard Cuauhnáhuac #566, Col. Lomas del Texcal, Jiutepec, Morelos. CP 62550

DOI:

https://doi.org/10.30973/progmat/2022.14.3/3

Palabras clave:

Cenicilla polvorienta, redes neuronales convolucionales, procesamiento de imágenes

Resumen

La agricultura es considerada como una de las actividades que más impacta en la economía de los países. Por tal motivo, es de suma importancia atender los problemas que ésta enfrenta, entre los que destaca el control de enfermedades y plagas en los cultivos. Si este problema no es atendido se pueden presentar efectos graves en las plantas que afectarían la calidad y productividad del cultivo. En la actualidad, existen muchos trabajos de investigación enfocados en el desarrollo de sistemas inteligentes que permiten automáticamente diagnosticar enfermedades que presenta un cultivo a través del entrenamiento de Redes Neuronales Convolucionales (RNC) con un gran conjunto de imágenes. Sin embargo, la mayoría de las investigaciones entrenan sus modelos con imágenes adquiridas en ambientes controlados (iluminación y fondo), por lo que al ser entrenados con imágenes en un ambiente natural sus resultados no son tan eficientes. En este trabajo se presentan una metodología que implementa un proceso de mejora de la imagen para obtener un mejor resultado en los porcentajes de exactitud de la clasificación realizada por la RNC. El proceso ha sido aplicado al diagnóstico de la enfermedad cenicilla polvorienta en imágenes de cultivos de tomate. Las imágenes del cultivo fueron adquiridas en su ambiente natural, sin control de iluminación y fondo. Los resultados muestran que al aplicar la metodología el entrenamiento del RNC mejora en comparación de no aplicar en comparación del entrenamiento clásico.

Biografía del autor/a

Deny Lizbeth Hernández Rabadán, Universidad Politécnica del Estado de Morelos, Boulevard Cuauhnáhuac #566, Col. Lomas del Texcal, Jiutepec, Morelos. CP 62550

Es Doctora en Ciencias Computacionales por el Instituto Tecnológico y de Estudios Superiores de Monterrey en donde desarrolla su tesis en el área de procesamiento de imágenes. Ha colaborado en proyectos de investigación con el centro de investigación en biotecnología (CEIB) de la UAEM. Actualmente es profesora de tiempo completo en la Universidad Politécnica del Estado de Morelos en donde realiza labores de docencia e investigación. Sus principales intereses son el reconocimiento de patrones y la visión computacional.

Juan Paulo Sánchez Hernández, Universidad Politécnica del Estado de Morelos, Boulevard Cuauhnáhuac #566, Col. Lomas del Texcal, Jiutepec, Morelos. CP 62550

Es Doctor en Ciencias Computacionales por el Instituto Tecnológico y de Estudios Superiores de Monterrey campus Cuernavaca en donde desarrolla su tesis en el área de optimización combinatoria. Actualmente es profesor en la Universidad Politécnica del Estado de Morelos desde 2012 en donde realiza investigación en el área de optimización combinatoria y el reconocimiento de patrones.

Citas

Bastida Tapia, A. Coordinación, Manejo y operación de invernaderos agrícolas. México. Universidad Autónoma Chapingo. 2006.

Chen, Y.-R., K. Chao, and M.S. Kim, Machine vision technology for agricultural applications. Computers and Electronics in Agriculture, 36: p. 173-191. 2002. https://doi.org/10.1016/S0168-1699(02)00100-X

Gao, Y., Kerle, N., Mas, J. F., Navarrete, A., & Niemeyer, I. (2007). Optimized image segmentation and its effect on classification accuracy. Spatial Data Quality.

Weizheng S., et al. Grading Method of Leaf Spot Disease Based on Image Processing. International Conference on Computer Science and Software Engineering, 2008. https://doi.org/10.1109/CSSE.2008.1649

Guzmán-Plazola, Remigio A., Fajardo-Franco, M. Liza, García-Espinosa, Roberto, & Cadena-Hinojosa, M. Armando. (2011). Desarrollo epidémico de la cenicilla y rendimiento de tres cultivares de tomate en la comarca lagunera, Coahuila, México. Agrociencia, 45(3), 363-378. Recuperado en 17 de enero de 2021, de http://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S1405-31952011000300009&lng=es&tlng=es.

Sánchez, C. M. A. 1983. La cenicilla del tomate causada por Oidiopsis taurica (Lev) Salmon. Una nueva enfermedad en el estado de Sinaloa, México. Rev. Mex. Fitopatol. 2: 3-6.

Productores de hortalizas. (2006). Plagas y enfermedades del tomate. Guía de identificación y manejo. México. Recuperado el 28 de septiembre de 2015. http://vegetablemdonline.ppath.cornell.edu/NewsArticles/Tomato_Spanish.pdf

Mohanty, S. P., Hughes, D. P., & Salathé, M. (2016). Using deep learning for image-based plant disease detection. Frontiers in plant science, 7, 1419. https://doi.org/10.3389/fpls.2016.01419

Ashqar, B. A., & Abu-Naser, S. S. (2018). Image-based tomato leaves diseases detection using deep learning.

Rangarajan, A. K., Purushothaman, R., & Ramesh, A. (2018). Tomato crop disease classification using pre-trained deep learning algorithm. Procedia computer science, 133, 1040-1047. https://doi.org/10.1016/j.procs.2018.07.070

Brahimi, M., Boukhalfa, K., & Moussaoui, A. (2017). Deep learning for tomato diseases: classification and symptoms visualization. Applied Artificial Intelligence, 31(4), 299-315. https://doi.org/10.1080/08839514.2017.1315516

Jadhav, S. B., Udupi, V. R., & Patil, S. B. (2020). Identification of plant diseases using convolutional neural networks. International Journal of Information Technology, 1-10. https://doi.org/10.1007/s41870-020-00437-5

Singh, V., & Misra, A. K. (2017). Detection of plant leaf diseases using image segmentation and soft computing techniques. Information processing in Agriculture, 4(1), 41-49. https://doi.org/10.1016/j.inpa.2016.10.005

Adhikari, S., Shrestha, B., Baiju, B., & Saban, K. C. (2018). Tomato plant diseases detection system using image processing. In 1st KEC Conference on Engineering and Technology, Lalitpur (Vol. 1, pp. 81-86).

Toda, Y., & Okura, F. (2019). How convolutional neural networks diagnose plant disease. Plant Phenomics, 2019. https://doi.org/10.34133/2019/9237136

A. Meunkaewjinda. Hybrid artificial intelligence approach for grape leaf disease diagnosis system from color imagery, Suranaree University of Technology, Nakhon-Ratchasima,Thailand, 2007.

Hernández-Rabadán, D. L., Ramos-Quintana, F., & Guerrero Juk, J. (2014). Integrating SOMs and a Bayesian classifier for segmenting diseased plants in uncontrolled environments. The Scientific World Journal, 2014. https://doi.org/10.1155/2014/214674

Descargas

Publicado

30-11-2022

Cómo citar

Hernández Rabadán, D. L., & Sánchez Hernández, J. P. (2022). Redes neuronales convolucionales para el reconocimiento de imágenes con presencia de cenicilla polvorienta en cultivos de tomate. Programación matemática Y Software, 14(3), 21–28. https://doi.org/10.30973/progmat/2022.14.3/3

Número

Vol. 14 Núm. 3 (2022): Octubre de 2022

Sección

Artículos

Licencia

Derechos de autor 2022 Deny Lizbeth Hernández Rabadán, Juan Paulo Sánchez Hernández

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.

Usted es libre de:

Compartir — compartir y redistribuir el material publicado en cualquier medio o formato.
Adaptar — combinar, transformar y construir sobre el material para cualquier propósito, incluso comercialmente.

Bajo las siguientes condiciones:

Atribución — Debe otorgar el crédito correspondiente, proporcionar un enlace a la licencia e indicar si se realizaron cambios. Puede hacerlo de cualquier manera razonable, pero de ninguna manera que sugiera que el licenciador lo respalda a usted o a su uso.
  Sin restricciones adicionales: no puede aplicar términos legales o medidas tecnológicas que restrinjan legalmente a otros a hacer cualquier cosa que permita la licencia.