Please use this identifier to cite or link to this item: http://hdl.handle.net/11458/5907
Title: Reconocimiento de patrones visuales para detección de enfermedades en plantaciones de arroz del sector Mishquiyacu - Morales
Authors: Valles Coral, Miguel Angel
Sangama Vela, Gabriela Abigail
Keywords: Aprendizaje profundo
Plantaciones de arroz
Red convolucional
Reconocimiento de patrones
InceptionV3
Issue Date: 13-Oct-2023
Publisher: Universidad Nacional de San Martín. Fondo Editorial
Source: Sangama-Vela, G.A. (2023). Reconocimiento de patrones visuales para detección de enfermedades en plantaciones de arroz del sector Mishquiyacu - Morales. Tesis para optar el grado de Ingeniero de Sistemas e Informática. Facultad de Ingeniería de Sistemas e Informática, Universidad Nacional de San Martín, Tarapoto, Perú.
Abstract: Reconocimiento de patrones visuales para detección de enfermedades en plantaciones de arroz del sector Mishquiyacu - Morales La detección temprana de enfermedades en las plantaciones de arroz es crucial para garantizar la salud de los cultivos y la productividad agrícola. En el presente trabajo, se propone un enfoque basado en un modelo de red convolucional y reconocimiento de patrones visuales para la detección automática de las enfermedades más frecuentes en las plantaciones de arroz. Se utilizó un conjunto de datos compuesto por 1874 imágenes de hojas de arroz, clasificadas en tres categorías: tizón del arroz (blast), manchón marron (brownspot) y saludable (healthy). Para el entrenamiento y evaluación del modelo se usó un conjunto de datos de acceso abierto en combinación con imágenes tomadas por un smartphone del sector Mishquiyacu, ubicado en el distrito de Morales. Se dividió el conjunto de datos en un 70% para entrenamiento, un 20% para validación y un 10% para prueba. Se empleó la arquitectura de red convolucional InceptionV3, conocida por su capacidad para extraer características relevantes de las imágenes, aplicando transferencia de aprendizaje para conectar dicho modelo preentrenado a una capa de clasificación de 3 categorías. Además, se aplicaron técnicas de preprocesamiento y aumento de datos para mejorar la generalización del modelo. Los resultados obtenidos mostraron una alta precisión en la detección de enfermedades en las plantaciones de arroz. El modelo alcanzó una exactitud del 96.79% en el conjunto de prueba, superior a los modelos de Alexnet y Resnet50. Este resultado fue posteriormente evaluado mediante métricas de evaluación: precisión, exactitud, F1, recall, Kappa de Cohen, y área bajo la curva ROC, demostrando así la eficacia del modelo para clasificar los datos provistos.
Visual pattern recognition for disease detection in rice plantations in the Mishquiyacu-Morales sector Early detection of diseases in rice plantations is crucial to ensure crop health and agricultural productivity. In this study, an approach based on a convolutional neural network and visual pattern recognition is proposed for the automatic detection of the most common diseases in rice plantations. A dataset consisting of 1874 rice leaf images was used, classified into three categories: rice blast, brown spot, and healthy. For model training and evaluation, an open-access dataset was used in combination with images taken by a smartphone in the Mishquiyacu sector, located in the Morales district. The dataset was divided into 70% for training, 20% for validation, and 10% for testing. The InceptionV3 convolutional neural network architecture was employed, known for its ability to extract relevant features from images, applying transfer learning to connect the pretrained model to a classification layer with 3 categories. Additionally, data preprocessing and augmentation techniques were applied to improve the model's generalization. The results obtained showed high accuracy in disease detection in rice plantations. The model achieved an accuracy of 96.79% on the test set, surpassing the AlexNet and ResNet50 models. This result was further evaluated using evaluation metrics such as precision, accuracy, F1 score, recall, Cohen's kappa, and area under the ROC curve, demonstrating the effectiveness of the model in classifying the provided data.
URI: http://hdl.handle.net/11458/5907
Appears in Collections:(Br.) Ingeniería de Sistemas e Informática

Show full item record

Google ScholarTM

Check


This item is licensed under a Creative Commons License Creative Commons