Bibliographic citations
Salazar, I., (2018). Evaluación y análisis de algoritmos para la estimación de áreas de síntomas visuales de infección en hojas de plantas usando imágenes digitales [Tesis, Universidad Nacional de Ingeniería]. http://hdl.handle.net/20.500.14076/17018
Salazar, I., Evaluación y análisis de algoritmos para la estimación de áreas de síntomas visuales de infección en hojas de plantas usando imágenes digitales [Tesis]. : Universidad Nacional de Ingeniería; 2018. http://hdl.handle.net/20.500.14076/17018
@misc{sunedu/3501932,
title = "Evaluación y análisis de algoritmos para la estimación de áreas de síntomas visuales de infección en hojas de plantas usando imágenes digitales",
author = "Salazar Reque, Itamar Franco",
publisher = "Universidad Nacional de Ingeniería",
year = "2018"
}
Cuantificar las áreas enfermas en hojas de plantas es un procedimiento importante en la agricultura ya que ayuda a monitorear y tomar decisiones sobre el cuidado de los cultivos. Sin embargo, este es un procedimiento manual que consume mucho tiempo y es altamente subjetivo, por lo tanto, es de gran importancia considerar su automatización. En esta tesis, se evalúa y analiza el desempeño de los métodos de procesamiento de imágenes presentes en el estado del arte que intentan resolver este problema. Además, se propone un nuevo método para la segmentación automática de áreas enfermas en hojas. Este método utiliza el algoritmo Simple Linear Iterative Clustering (SLIC), trabajado por investigadores del laboratorio de Süsstrunk en 2010, para agrupar píxeles con similitud de color en regiones llamadas superpíxeles. Luego, las características de color de un conjunto de superpíxeles se utilizaron para entrenar redes neuronales artificiales (ANN) que se emplearon para clasificar estos superpíxeles como saludables o no. Los parámetros de estas redes se ajustaron de forma heurística eligiendo la red con el mejor rendimiento de clasificación la cual se utilizó para obtener la segmentación automática de las áreas afectadas. El rendimiento del clasificador se midió comparando sus segmentaciones automáticas con las elaboradas manualmente a partir de una base de datos con imágenes públicas y privadas divididas en nueve grupos según los síntomas visuales y la planta de estudio. La mediana del error de área fue siempre inferior al 11% y la métrica F-score promedio fue de 0,67, la cual resultó mayor que la de los 2 algoritmos con los que se comparó (0,57 y 0,58 respectivamente).
This item is licensed under a Creative Commons License