Please use this identifier to cite or link to this item:
http://ricaxcan.uaz.edu.mx/jspui/handle/20.500.11845/1910
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor | 865291 | es_ES |
dc.contributor | 121858 | es_ES |
dc.contributor.other | https://orcid.org/0000-0001-8052-7483 | - |
dc.contributor.other | https://orcid.org/0000-0003-1519-7718 | - |
dc.coverage.spatial | Global | es_ES |
dc.creator | Maeda Gutiérrez, Valeria | - |
dc.creator | Guerrero Méndez, Carlos | - |
dc.creator | Olvera Olvera, Carlos Alberto | - |
dc.creator | Araiza Esquivel, María Auxiliadora | - |
dc.creator | Espinoza García, Gustavo | - |
dc.creator | Bordón López, Raikel | - |
dc.date.accessioned | 2020-05-12T16:49:59Z | - |
dc.date.available | 2020-05-12T16:49:59Z | - |
dc.date.issued | 2018-11-15 | - |
dc.identifier | info:eu-repo/semantics/publishedVersion | es_ES |
dc.identifier.issn | 2007-6940 | es_ES |
dc.identifier.uri | http://ricaxcan.uaz.edu.mx/jspui/handle/20.500.11845/1910 | - |
dc.identifier.uri | https://doi.org/10.48779/41mp-qp02 | - |
dc.description.abstract | Las enfermedades de plantas representan factores adversos que provocan una grave reducción en la calidad y cantidad en cultivos agrícolas. Comúnmente, los agricultores o biólogos expertos observan las plantas a simple vista para detectar enfermedades, pero este método suele ser inexacto y puede tomar gran cantidad de tiempo. En este estudio hacemos uso de técnicas de inteligencia artificial y visión computacional para alcanzar el objetivo del diseño y desarrollo de un autómata inteligente para la clasificación de enfermedades en hojas. Utilizamos la arquitectura de AlexNet para entrenarla usando un conjunto de datos de PlantVillage – Dataset conformado por 40,000 imágenes de hojas sanas y enfermas. El sistema de detección desarrollado, logró identificar 9 especies de plantas y 24 enfermedades, con una exactitud de 98.90% que fue el valor más exacto de todas las arquitecturas comparadas. Además, se demuestra que utilizando las capas de activación de la arquitectura AlexNet es que podemos realizar una eficiente detección y segmentación de lesiones presentes en la hoja de la planta de una manera rápida sin la necesidad de recurrir a procesos tediosos de entrenamiento de detectores de imágenes. | es_ES |
dc.language.iso | spa | es_ES |
dc.publisher | Pablo Elorza Martínez | es_ES |
dc.relation.uri | generalPublic | es_ES |
dc.rights | Atribución 3.0 Estados Unidos de América | * |
dc.rights.uri | http://creativecommons.org/licenses/by/3.0/us/ | * |
dc.source | Revista Biológico Agropecuaria Tuxpan, Número especial, 2018 | es_ES |
dc.subject.classification | INGENIERIA Y TECNOLOGIA [7] | es_ES |
dc.subject.other | Detección | es_ES |
dc.subject.other | enfermedades | es_ES |
dc.subject.other | plantas | es_ES |
dc.subject.other | deep learning | es_ES |
dc.title | Redes neuronales convolucionales para la detección y clasificación de enfermedades de plantas basadas en imágenes digitales | es_ES |
dc.type | info:eu-repo/semantics/article | es_ES |
Appears in Collections: | *Documentos Académicos*-- M. en Ciencias de la Ing. |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
2018 Arbitrado Maeda.pdf | 2018 Arbitrado Maeda | 391,94 kB | Adobe PDF | View/Open |
This item is licensed under a Creative Commons License