Introducción. La detección automática puede ser útil en la búsqueda de grandes campos de cultivo simplemente detectando la enfermedad con los síntomas que aparecen en la hoja.
Objetivo: este artículo presenta la aplicación de técnicas de aprendizaje automático destinadas a detectar la enfermedad del tizón tardío utilizando métodos de aprendizaje no supervisados como K-Means y agrupamiento jerárquico.
Método: La metodología utilizada está compuesta por las siguientes fases: adquisición del dataset, procesamiento de la imagen, extracción de características, selección de características, implementación del modelo de aprendizaje, medición del rendimiento del algoritmo, finalmente se obtuvo una tasa de acierto del 68,24% siendo este el mejor resultado de los algoritmos de aprendizaje no supervisados implementados, usando 3 clusters para el agrupamiento.
Resultados: De acuerdo con los resultados obtenidos, se puede evaluar el desempeño del algoritmo K-Means, es decir, 202 aciertos y 116 errores.
Conclusiones: Los algoritmos de aprendizaje no supervisado son muy eficientes al momento de procesar una gran cantidad de datos, en este caso una gran cantidad de imágenes sin necesidad de etiquetas predefinidas, su uso para solucionar problemas locales como afectaciones de tizón tardío en cultivos de papa es novedoso.
Introduction. Automatic detection can be useful in the search of large crop fields by simply detecting the disease with the symptoms appearing on the leaf.
Objective: This paper presents the application of machine learning techniques aimed at detecting late blight disease using unsupervised learning methods such as K-Means and hierarchical clustering.
Method: The methodology used is composed by the following phases: acquisition of the dataset, image processing, feature extraction, feature selection, implementation of the learning model, performance measurement of the algorithm, finally a 68.24% hit rate was obtained being this the best result of the unsupervised learning algorithms implemented, using 3 clusters for clustering.
Results: According to the results obtained, the performance of the K-Means algorithm can be evaluated, i.e. 202 hits and 116 misses.
Conclusions: Unsupervised learning algorithms are very efficient when processing a large amount of data, in this case a large amount of images without the need for predefined labels, its use to solve local problems such as late blight affectations in potato crops are novel,
© 2001-2024 Fundación Dialnet · Todos los derechos reservados