Please use this identifier to cite or link to this item: http://ricaxcan.uaz.edu.mx/jspui/handle/20.500.11845/1910
Full metadata record
DC FieldValueLanguage
dc.contributor865291es_ES
dc.contributor121858es_ES
dc.contributor.otherhttps://orcid.org/0000-0001-8052-7483-
dc.contributor.otherhttps://orcid.org/0000-0003-1519-7718-
dc.coverage.spatialGlobales_ES
dc.creatorMaeda Gutiérrez, Valeria-
dc.creatorGuerrero Méndez, Carlos-
dc.creatorOlvera Olvera, Carlos Alberto-
dc.creatorAraiza Esquivel, María Auxiliadora-
dc.creatorEspinoza García, Gustavo-
dc.creatorBordón López, Raikel-
dc.date.accessioned2020-05-12T16:49:59Z-
dc.date.available2020-05-12T16:49:59Z-
dc.date.issued2018-11-15-
dc.identifierinfo:eu-repo/semantics/publishedVersiones_ES
dc.identifier.issn2007-6940es_ES
dc.identifier.urihttp://ricaxcan.uaz.edu.mx/jspui/handle/20.500.11845/1910-
dc.identifier.urihttps://doi.org/10.48779/41mp-qp02-
dc.description.abstractLas enfermedades de plantas representan factores adversos que provocan una grave reducción en la calidad y cantidad en cultivos agrícolas. Comúnmente, los agricultores o biólogos expertos observan las plantas a simple vista para detectar enfermedades, pero este método suele ser inexacto y puede tomar gran cantidad de tiempo. En este estudio hacemos uso de técnicas de inteligencia artificial y visión computacional para alcanzar el objetivo del diseño y desarrollo de un autómata inteligente para la clasificación de enfermedades en hojas. Utilizamos la arquitectura de AlexNet para entrenarla usando un conjunto de datos de PlantVillage – Dataset conformado por 40,000 imágenes de hojas sanas y enfermas. El sistema de detección desarrollado, logró identificar 9 especies de plantas y 24 enfermedades, con una exactitud de 98.90% que fue el valor más exacto de todas las arquitecturas comparadas. Además, se demuestra que utilizando las capas de activación de la arquitectura AlexNet es que podemos realizar una eficiente detección y segmentación de lesiones presentes en la hoja de la planta de una manera rápida sin la necesidad de recurrir a procesos tediosos de entrenamiento de detectores de imágenes.es_ES
dc.language.isospaes_ES
dc.publisherPablo Elorza Martínezes_ES
dc.relation.urigeneralPublices_ES
dc.rightsAtribución 3.0 Estados Unidos de América*
dc.rights.urihttp://creativecommons.org/licenses/by/3.0/us/*
dc.sourceRevista Biológico Agropecuaria Tuxpan, Número especial, 2018es_ES
dc.subject.classificationINGENIERIA Y TECNOLOGIA [7]es_ES
dc.subject.otherDetecciónes_ES
dc.subject.otherenfermedadeses_ES
dc.subject.otherplantases_ES
dc.subject.otherdeep learninges_ES
dc.titleRedes neuronales convolucionales para la detección y clasificación de enfermedades de plantas basadas en imágenes digitaleses_ES
dc.typeinfo:eu-repo/semantics/articlees_ES
Appears in Collections:*Documentos Académicos*-- M. en Ciencias de la Ing.

Files in This Item:
File Description SizeFormat 
2018 Arbitrado Maeda.pdf2018 Arbitrado Maeda391,94 kBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons