Detección de macronutrientes y enfermedades en campos de cultivo de banano orgánico con Machine Learning

• Autores: Román Alvarado, Evelia, Ruiz García, María de Fátima
• Formato: tesis de grado
• Fecha de Publicación: 2021
• Institución: Universidad de Piura
• Repositorio: UDEP-Institucional
• Lenguaje: español
• OAI Identifier: oai:pirhua.udep.edu.pe:11042/4939
• Enlace del recurso: https://hdl.handle.net/11042/4939
• Nivel de acceso: acceso abierto
• Materia: Banano orgánico -- Cultivo -- Automatización; Aprendizaje automático (Inteligencia artificial) -- Aplicaciones; Redes neuronales (Computadores) -- Aplicaciones -- Agricultura; 006.31; https://purl.org/pe-repo/ocde/ford#2.02.03

El trabajo tiene como objetivo diseñar e implementar un modelo de diagnóstico de nutrientes y enfermedades en suelos de cultivo de banano orgánico empleando herramientas de aprendizaje automático como redes neuronales convoluciones y algoritmos de clasificación híbridos, evaluando las ventajas y desventajas de cada uno. Para lo cual, se realiza una comparación entre tres algoritmos de clasificación híbridos y redes neuronales convolucionales, es decir, la combinación de estos algoritmos de clasificación (Support Vector Classifier, K-Nearest Neighbors y Random Forest) y filtros convolucionales de una arquitectura de 11 capas y VGG16 con el fin de que, a partir de los modelos propuestos, se logre reducir las pérdidas producto de la deficiencia de macronutrientes y la aparición de enfermedades en plantaciones de banano orgánico, además de disminuir el tiempo del proceso actual de detección de estos. Para ello, se utilizan dos tipos de data set de imágenes de hojas de banano orgánico, una para detección de deficiencia de macronutrientes y la otra para enfermedades. El primer data set consta de imágenes de tres macronutrientes: nitrógeno, fósforo, potasio e imágenes de hojas sanas. En el caso del data set de enfermedades, consta de dos tipos: sigatoka negra y marchitez bacteriana en hojas sanas. En tanto, para los modelos de redes neuronales convoluciones, se decidió trabajar con dos tipos de arquitecturas: una de 11 capas de filtros convoluciones y la VGG16. Estos algoritmos y redes neuronales convolucionales fueron evaluados a partir de su accuracy, f1 score y confusion matrix. Por lo que, se concluye que el uso de Random Forest, con filtros convolucionales de una arquitectura VGG16, ayuda a desarrollar un proceso de clasificación para las imágenes óptimo para el data set de macronutrientes, en donde el criterio de selección se basa en la máxima cantidad de votos dados por cada uno de los árboles para una etiqueta en específico. Este algoritmo híbrido, resulta ser un método muy eficaz para la clasificación. Mientras que, en desempeño, le sigue SVC para el data set de enfermedades, CNN y, finalmente, KNN con la precisión más baja.