Please use this identifier to cite or link to this item: http://ricaxcan.uaz.edu.mx/jspui/handle/20.500.11845/1623
Title: Estudio y comparativa de algoritmos de detección de objetos con redes neuronales artificiales convolucionales para la detección de enfermedades en hojas
Other Titles: Study and comparison of objects detection algorithms using convolutional neural networks for plant diseases detection in leaves
Authors: González Frayre, González Frayre
Olvera Olvera, Carlos Alberto
López Monteagudo, Francisco Eneldo
Guerrero Méndez, Carlos
Villagrana Barraza, Santiago
López Betancur, Daniela Paola
Maeda Gutiérrez, Valeria
Issue Date: 25-Sep-2019
Publisher: Asociación Mexicana de la Industria Automotriz
Abstract: 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.
Description: 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
URI: http://ricaxcan.uaz.edu.mx/jspui/handle/20.500.11845/1623
https://doi.org/10.48779/p41k-fx69
Other Identifiers: info:eu-repo/semantics/publishedVersion
Appears in Collections:*Documentos Académicos*-- M. en Ciencias de la Ing.



This item is licensed under a Creative Commons License Creative Commons