Clasificación de patrones de un cultivo de cebolla (Allium Cepa) en campo utilizando modelos de redes neuronales convolucionales
Autores: López-Martínez, Manuel de Jesús; Díaz-Flórez, Germán; Villagrana-Barraza, Santiago; Castañeda-Miranda, Celina L.; Solís-Sánchez, Luis Octavio; Ortíz-Esquivel, Diana I.; de la Rosa-Vargas, José I.; Olvera-Olvera, Carlos A.
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Clasificación de patrones de un cultivo de cebolla (Allium Cepa) en campo utilizando modelos de redes neuronales convolucionales
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Agronomía y Ciencia de los Cultivos
Palabras clave
Agricultura
Inteligencia artificial
Campos de cultivo
Aprendizaje profundo
Redes neuronales convolucionales
Zacatecas
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 24
Citaciones: Sin citaciones
La agricultura es un área que actualmente se beneficia del uso de nuevas tecnologías y técnicas, como la inteligencia artificial, para mejorar la producción en los campos de cultivo. Zacatecas es uno de los estados que más cebollas produce en la región noreste de México. Identificar y determinar zonas de vegetación, suelo y humedad podría ayudar a resolver problemas como las demandas o excesos de riego, identificar espacios con diferentes niveles de homogeneidad del suelo y estimar el rendimiento o la salud del cultivo. Este estudio examina la aplicación de inteligencia artificial a través del uso de aprendizaje profundo, específicamente redes neuronales convolucionales, para identificar los patrones que se pueden encontrar en un campo de cultivo, en este caso, zonas de vegetación, suelo y humedad. Para extraer los patrones mencionados, se utilizó el algoritmo de los k-vecinos más cercanos para procesar imágenes tomadas con vehículos aéreos no tripulados y formar un conjunto de datos compuesto por 3672 imágenes de vegetación, suelo y humedad (1224 para cada clase). Se utilizaron un total de seis modelos de redes neuronales convolucionales para identificar y clasificar los patrones, a saber, Alexnet, DenseNet, VGG16, SqueezeNet, MobileNetV2 y Res-Net18. Cada modelo fue evaluado con las siguientes métricas de validación: precisión, puntaje F1, precisión y recuperación. Los resultados mostraron una variación en el rendimiento entre el 90% y casi el 100%. Alexnet obtuvo las métricas más altas con una precisión del 99.92%, mientras que MobileNetV2 tuvo la precisión más baja del 90.85%. Otros modelos, como DenseNet, VGG16, SqueezeNet y ResNet18, mostraron una precisión entre el 92.02% y el 98.78%. Además, nuestro estudio destaca la importancia de adoptar la inteligencia artificial en la agricultura, particularmente en el manejo de los campos de cebolla en Zacatecas, México. Los hallazgos pueden ayudar a los agricultores y agrónomos a tomar decisiones más informadas y eficientes, lo que puede llevar a una mayor producción y sostenibilidad en la agricultura local.
Descripción
La agricultura es un área que actualmente se beneficia del uso de nuevas tecnologías y técnicas, como la inteligencia artificial, para mejorar la producción en los campos de cultivo. Zacatecas es uno de los estados que más cebollas produce en la región noreste de México. Identificar y determinar zonas de vegetación, suelo y humedad podría ayudar a resolver problemas como las demandas o excesos de riego, identificar espacios con diferentes niveles de homogeneidad del suelo y estimar el rendimiento o la salud del cultivo. Este estudio examina la aplicación de inteligencia artificial a través del uso de aprendizaje profundo, específicamente redes neuronales convolucionales, para identificar los patrones que se pueden encontrar en un campo de cultivo, en este caso, zonas de vegetación, suelo y humedad. Para extraer los patrones mencionados, se utilizó el algoritmo de los k-vecinos más cercanos para procesar imágenes tomadas con vehículos aéreos no tripulados y formar un conjunto de datos compuesto por 3672 imágenes de vegetación, suelo y humedad (1224 para cada clase). Se utilizaron un total de seis modelos de redes neuronales convolucionales para identificar y clasificar los patrones, a saber, Alexnet, DenseNet, VGG16, SqueezeNet, MobileNetV2 y Res-Net18. Cada modelo fue evaluado con las siguientes métricas de validación: precisión, puntaje F1, precisión y recuperación. Los resultados mostraron una variación en el rendimiento entre el 90% y casi el 100%. Alexnet obtuvo las métricas más altas con una precisión del 99.92%, mientras que MobileNetV2 tuvo la precisión más baja del 90.85%. Otros modelos, como DenseNet, VGG16, SqueezeNet y ResNet18, mostraron una precisión entre el 92.02% y el 98.78%. Además, nuestro estudio destaca la importancia de adoptar la inteligencia artificial en la agricultura, particularmente en el manejo de los campos de cebolla en Zacatecas, México. Los hallazgos pueden ayudar a los agricultores y agrónomos a tomar decisiones más informadas y eficientes, lo que puede llevar a una mayor producción y sostenibilidad en la agricultura local.