Extracción De Características Visuales Para La Clasificación Y Análisis De Plántulas En El Dataset Plant Seedlings Empleando Ciencia De Datos

• Niño Rondón, Carlos Vicente ^[1] ; López Bustamante, Oriana Alexandra ^[1]
  1. [1] Universidad Francisco de Paula Santander
• Localización: Revista Ambiental Agua, Aire y Suelo (RAAAS), ISSN-e 1900-9178, Vol. 16, Nº. 2, 2025 (Ejemplar dedicado a: July - December), págs. 38-45
• Idioma: español
• Títulos paralelos:
  • Visual Feature Extraction For Seedling Classification And Analysis In The Plant Seedlings Dataset Using Data Science.
• Enlaces
  • Texto completo
• Resumen
  • español

    En este trabajo se presenta una metodología para la extracción, análisis y evaluación de características visuales aplicadas a imágenes del dataset Plant Seedlings, con el objetivo de mejorar la clasificación automática de plántulas en sus etapas iniciales. Se implementaron técnicas de procesamiento de imágenes para obtener descriptores de textura (LBP y características de Haralick), color (histogramas en el espacio HSV), forma (contornos y métricas geométricas) y estadísticas básicas (media, desviación estándar, curtosis y asimetría). Posteriormente, se llevó a cabo un análisis estadístico descriptivo de las características extraídas, el cual evidenció una alta variabilidad entre variables y baja multicolinealidad, lo que indica que los descriptores capturan aspectos diversos y complementarios de las imágenes. Los resultados sugieren que la combinación de múltiples tipos de descriptores mejora la capacidad discriminativa para la clasificación de especies vegetales. Esta metodología sienta las bases para el desarrollo de sistemas inteligentes aplicados a la agricultura de precisión, integrando ingeniería electrónica y ciencia de datos para lograr decisiones agronómicas más eficientes y sostenibles.

  • English

    This study presents a methodology for the extraction, analysis, and evaluation of visual features from the Plant Seedlings dataset, aimed at enhancing the automatic classification of seedlings at early growth stages. Image processing techniques were applied to extract texture descriptors (LBP and Haralick features), color features (HSV histograms), shape features (contours and geometric metrics), and basic statistical measures (mean, standard deviation, kurtosis, and skewness). A descriptive statistical analysis of the extracted features revealed high variability among variables and low multicollinearity, indicating that the descriptors capture diverse and complementary aspects of the images. The results suggest that combining multiple types of descriptors improves the discriminative power for plant species classification. This methodology lays the foundation for the development of intelligent systems in precision agriculture, integrating electronic engineering and data science to support more efficient and sustainable agronomic decision-making.