Aprendizaje automatizado basado en transformadas wavelet para la segmentación de hojas en imágenes infrarrojas
Ver/
Identificadores
URI: http://hdl.handle.net/10317/11125ISBN: 978-84-16325-89-4
DOI: 10.31428/10317/11125
Compartir
Estadísticas
Ver Estadísticas de usoMetadatos
Mostrar el registro completo del ítemAutor
Pérez Sanz, Fernando; Navarro Lorente, Pedro Javier; Egea Gutiérrez-Cortines, Marcos; Weiss, Julia RoslÁrea de conocimiento
Tecnología de los AlimentosPatrocinadores
Este trabajo ha sido parcialmente soportado por el Ministerio de Economía y Competitividad (MINECO) bajo los proyectos ViSelTR (TIN2012-39279) y cDrone (TIN2013-45920-R).Realizado en/con
Universidad Politécnica de CartagenaFecha de publicación
2019Editorial
Universidad Politécnica de CartagenaCita bibliográfica
Pérez Sanz, Fernando; Navarro Lorente, Pedro Javier; Egea Gutiérrez-Cortines, Marcos; Weiss, Julia Rosl. Aprendizaje automatizado basado en transformadas wavelet para la segmentación de hojas en imágenes infrarrojas. En: Proceedings of the 7th Workshop on agri-food research: WiA.18. Cartagena: Universidad Politécnica de Cartagena, CRAI Biblioteca, 2019. Pp. 109-112. ISBN: 978-84-16325-89-4Palabras clave
WiAProcesamiento de imagen
Detección de hoja
Fenotipado de plantas
Image processing
Leaf detection
Plant phenotyping
Resumen
[SPA] En este trabajo se presenta un algoritmo de segmentación basado en máquinas de aprendizaje para la segmentación de hojas sobre imágenes NIR (Near-Infra-Red). El método de segmentación utiliza un vector de características extraído de diferentes niveles de la transformada wavelet. Para el desarrollo del algoritmo se han probado tres clasificadores: el vecino más cercano (KNN), un clasificador Bayesiano (NBC) y las máquinas de soporte compacto (SVM). Los métodos de aprendizaje han sido validados mediante el análisis de las curvas ROC y el máximo rendimiento fue obtenido por la SVM con un 98.33%.
[ENG] In this work we present an algorithm to segment leaves in NIR images captured inside a growth chamber. The proposed method uses a features vector composed by four elements extracted from different levels of wavelets transform. We have tested three classifiers: k-nearest neighbour (kNN), Naive Bayes classifier (NBC) and Support Vector Machine to determine the optimal machine learning ...
Colecciones
El ítem tiene asociados los siguientes ficheros de licencia:
Redes sociales