Título

Estudio y comparativa de algoritmos de detección de objetos con redes neuronales artificiales convolucionales para la detección de enfermedades en hojas

Study and comparison of objects detection algorithms using convolutional neural networks for plant diseases detection in leaves

Autor

CARLOS ALBERTO OLVERA OLVERA

FRANCISCO ENELDO LOPEZ MONTEAGUDO

Nivel de Acceso

Acceso Abierto

Licencia

http://creativecommons.org/licenses/by-nc-nd/4.0

Materias

INGENIERÍA Y TECNOLOGÍA - (CTI) Inteligencia Artificial aplicada a la ingeniería Detección de enfermedades de plantas Redes neuronales convolucionales Deep Learning

Resumen o descripción

Recently Machine Learning and computational vision have generated interest and have found new applications in engineering. In agriculture, "smart" systems have become important tools in the detection of anomalies that decrease the quality and quantity in the harvest of agricultural products. In this research, we developed a comparison of the main object detection algorithms using Convolutional Neural Networks (CNN) implemented in Deep Learning. The results were analyzed based on the accuracy and processing time obtained with the object detection algorithms R-CNN, Fast R-CNN, and Faster R-CNN. The CCN topologies of AlexNet, GoogleNet, ResNet50, ResNet101, SqueezeNet and InceptionV3 were implemented to generate Transfer Learning in image detectors and classifiers. The topologies were trained with the PlantVillage - Dataset which is made up of more than 40,000 leaf images of 9 plant species and 24 diseases

Recientemente el Machine Learning y la visión computacional han originado interés y han encontrado nuevas aplicaciones en la ingeniería. En la agricultura, sistemas “inteligentes” se han convertido en herramientas importantes para la detección de anomalías que decrecen la calidad y cantidad en la cosecha de productos agrícolas. En esta investigación desarrollamos una comparativa de los principales algoritmos de detección de objetos usando Redes Neuronales Convolucionales (RNC) implementadas en Deep Learning. Se analizaron los resultados en base a la superposición y tiempo de procesamiento obtenidos con los algoritmos de detección de objetos R-CNN, Fast R-CNN, y Faster R-CNN. Se implementaron las arquitecturas de RNC de AlexNet, GoogleNet, ResNet50, ResNet101, SqueezeNet e InceptionV3, para generar Transfer Learning en los detectores y clasificadores de imágenes. Las arquitecturas fueron entrenadas con PlantVillage - Dataset, conformado por más 40,000 imágenes de hojas de 9 especies de plantas y 24 enfermedades.

Producción Científica de la Universidad Autónoma de Zacatecas UAZ

Fecha de publicación

25 de septiembre de 2019

Tipo de publicación

Memoria de congreso

Recurso de información

http://ricaxcan.uaz.edu.mx/jspui/handle/20.500.11845/1623

Formato

application/pdf

Idioma

Español

Audiencia

Público en general

Repositorio Orígen

Repositorio Institucional Caxcán

Descargas

0