| Revista: | Programación matemática y software |
| Base de datos: | |
| Número de sistema: | 000573294 |
| ISSN: | 2007-3283 |
| Autors: | Hernández Rabadán, Deny Lizbeth1 Sánchez Hernández, Juan Paulo1 |
| Institucions: | 1Universidad Politécnica del Estado de Morelos, Boulevard Cuauhnáhuac #566, Col. Lomas del Texcal, Jiutepec, Morelos. CP 62550, |
| Any: | 2022 |
| Volum: | 14 |
| Número: | 3 |
| Paginació: | 21-28 |
| País: | México |
| Idioma: | Español |
| Resumen en inglés | Agriculture is one of the activities that have a direct impact on countries' economies. Thus, it is very important to address the related problems, for instance, disease control or pests in crops. If this problem is not addressed, severe effects can occur on the plants that would affect the crop's quality and productivity. Many research works focused on developing intelligent systems for obtaining automatic diagnosing diseases using Convolutional Neural Networks (CNN) whit a big set of images. However, many researchers train their models with images acquired in a controlled environment (lighting and background), so when they are trained with images in a natural environment, their results are not efficient. In this work, we present a methodology that implements an image enhancement process to obtain the best accuracy of the CNN classification. The process has been applied for the diagnosis of powdery mildew disease in tomato crop images. The images were acquired in their natural environment, without lighting and background control. The results show that when we apply our methodology, the CNN training improves, and we obtain very good results versus the classical CNN training. |
| Resumen en español | La agricultura es considerada como una de las actividades que más impacta en la economía de los países. Por tal motivo, es de suma importancia atender los problemas que ésta enfrenta, entre los que destaca el control de enfermedades y plagas en los cultivos. Si este problema no es atendido se pueden presentar efectos graves en las plantas que afectarían la calidad y productividad del cultivo. En la actualidad, existen muchos trabajos de investigación enfocados en el desarrollo de sistemas inteligentes que permiten automáticamente diagnosticar enfermedades que presenta un cultivo a través del entrenamiento de Redes Neuronales Convolucionales (RNC) con un gran conjunto de imágenes. Sin embargo, la mayoría de las investigaciones entrenan sus modelos con imágenes adquiridas en ambientes controlados (iluminación y fondo), por lo que al ser entrenados con imágenes en un ambiente natural sus resultados no son tan eficientes. En este trabajo se presentan una metodología que implementa un proceso de mejora de la imagen para obtener un mejor resultado en los porcentajes de exactitud de la clasificación realizada por la RNC. El proceso ha sido aplicado al diagnóstico de la enfermedad cenicilla polvorienta en imágenes de cultivos de tomate. Las imágenes del cultivo fueron adquiridas en su ambiente natural, sin control de iluminación y fondo. Los resultados muestran que al aplicar la metodología el entrenamiento del RNC mejora en comparación de no aplicar en comparación del entrenamiento clásico. |
| Paraules clau: | Cenicilla polvorienta, redes neuronales convolucionales, procesamiento de imágenes |
| Keyword: | Powdery Mildew, Convolutional Neural network, image processing |
| Text complet: | Texto completo (Ver PDF) |
