Desarrollo de un sistema de reconocimiento del estado de los cultivos de café en tiempo real usando redes neuronales artificiales
DOI:
https://doi.org/10.33131/24222208.362Palabras clave:
Aprendizaje Automático, Aprendizaje Profundo, Hoja de Café, Inteligencia Artificial, Redes neuronales, Visión artificialResumen
El presente proyecto plantea el uso de algoritmos de inteligencia artificial aplicados en el campo de la visión computacional para determinar el estado de cultivos de café mediante imágenes tomadas a partir de plantaciones en diferentes estados de oxidación, permitiendo al agricultor o campesino tener la posibilidad de conocer en tiempo real, el estado de las plantaciones mediante las hojas de café, las cuales ofrecen información importante que permite determinar la fase de maduración del fruto. Para ello se ha implementado una Red Neuronal Convolucional tipo clasificadora, compuesta por ocho capas de profundidad. Esta se ha entrenado mediante la herramienta Colab de Google, obteniendo un 98,72% de precisión para los datos de entrenamiento y 70,16% de precision para los datos de validación.
Descargas
Referencias bibliográficas
F. A. González, J. J. Gómez, and D. F. Amaya, “Multispectral image processing in coffee and cocoa crops,” Rev. CINTEX, vol. 22, no. 2, pp. 51–67, Dec. 2017, doi: 10.33131/24222208.294.
J. Parraga-Alava, K. Cusme, A. Loor, and E. Santander, “RoCoLe: A robusta coffee leaf images dataset for evaluation of machine learning based methods in plant diseases recognition,” Data Brief, vol. 25, p. 104414, Aug. 2019, doi: 10.1016/j.dib.2019.104414.
J. J. Castro-Maldonado, J. A. Patiño-Murillo, A. E. Florian-Villa, and O. E. Guadrón-Guerrero, “Application of computer vision and low-cost artificial intelligence for the identification of phytopathogenic factors in the agro-industry sector,” J. Phys. Conf. Ser., vol. 1126, p. 012022, Nov. 2018, doi: 10.1088/1742-6596/1126/1/012022.
F. Ferreira Lima dos Santos, J. Rosas, R. Martins, G. Araújo, L. Viana, and J. Gonçalves, “Quality assessment of coffee beans through computer vision and machine learning algorithms,” Coffee Sci., vol. 15, pp. 1–9, 2020, doi: 10.25186/.v15i.1752.
K. Liakos, P. Busato, D. Moshou, S. Pearson, and D. Bochtis, “Machine Learning in Agriculture: A Review, Sensors, vol. 18, no. 8, p. 2674, Aug. 2018, doi: 10.3390/s18082674.
C. Adarve Gómez, D. A. Castillo Carvajal, E. J. Restrepo Zapata, and H. Villar-Vega, “A review of virtual reality videogames for job-training applications,” Rev. CINTEX, vol. 24, no. 1, pp. 64–70, Dec. 2019, doi: 10.33131/24222208.346.
Y. Lecun, Y. Bengio, and G. Hinton, “Deep learning,” Nature, vol. 521, no. 7553, pp. 436–444, 2015, doi: 10.1038/nature14539.
J. Arcila, “Crecimiento y desarrollo planta de café,” in Sistemas de producción de café en Colombia, Manizales: CENICAFE, 2007, pp. 21–60. [Online]. Available: https://biblioteca.cenicafe.org/bitstream/10778/720/1/Sistemas%20producci%C3%B3n%20caf%C3%A9%20Colombia.pdf
A. Chemura, O. Mutanga, M. Sibanda, and P. Chidoko, “Machine learning prediction of coffee rust severity on leaves using spectroradiometer data,” Trop. Plant Pathol., vol. 43, no. 2, pp. 117–127, Apr. 2018, doi: 10.1007/s40858-017-0187-8.
C. Pinto, J. Furukawa, H. Fukai, and S. Tamura, “Classification of Green coffee bean images basec on defect types using convolutional neural network (CNN),” in 2017 International Conference on Advanced Informatics, Concepts, Theory, and Applications (ICAICTA), Denpasar, Aug. 2017, pp. 1–5. doi: 10.1109/ICAICTA.2017.8090980.
S. Goyal and G. Goyal, “Cascade and feedforward backpropagation artificial intelligence models for prediction of sensory quality of instant coffee flavoured sterilized drink,” Can J Artif Intell Mach Learn Pattern Recognit, vol. 2, pp. 78–82, Jan. 2011.
Descargas
Publicado
Cómo citar
Número
Sección
