Revista ELECTRO
Vol. 45 – Año 2023
Artículo
TÍTULO
Comparación de Dos Modelos de Red Neuronal Aplicados en la Detección de Patógenos en Plantas de Ornato
AUTORES
Rafael Alejandro Ochoa Sandoval, Noel García Díaz, Jesús Alberto Verduzco Ramírez, Juan García Virgen, José Román Herrera Morales
RESUMEN
La productividad de los cultivos de plantas ornamentales es afectada por plagas, enfermedades y otros factores. Actualmente, los métodos tradicionales de detección de patógenos son laboriosos, costosos, lentos y propensos a errores. El objetivo es clasificar imágenes para detectar patógenos en el follaje de las plantas ornamentales usando la inteligencia artificial, específicamente, las redes neuronales convolucionales. La comparación de rendimiento que se realizó en este trabajo podría aportar en la selección entre de un modelo pre-entrenado y un modelo de desarrollo propio (GreenGuardNet). Los resultados obtenidos fueron que tanto MobileNetV2 y GreenGuardNet mostraron la misma exactitud 95.72%, en términos de precisión el modelo pre-entrenado mostró una ligera ventaja, pero utilizar un modelo pre-entrenado reduce el tiempo de desarrollo de manera significativa. Se concluye que la elección entre desarrollar un modelo o utilizar uno pre-entrenado depende de los objetivos y recursos disponibles, considerando la precisión y el tiempo de desarrollo.
Palabras Clave: Redes neuronales convolucionales, detección de patógenos, modelos pre-entrenados, Python.
ABSTRACT
The productivity of ornamental plant crops is affected by pests, diseases and other factors. Currently, traditional pathogen detection methods are laborious, expensive, time-consuming, and error-prone. The objective is to classify images to detect pathogens in the foliage of ornamental plants using artificial intelligence, specifically, convolutional neural networks. The performance comparison carried out in this work could contribute to the selection between a pre-trained model and a self-developed model (GreenGuardNet). The results obtained were that both MobileNetV2 and GreenGuardNet showed the same accuracy 95.72%, in terms of precision the pre-trained model showed a slight advantage, but using a pre-trained model significantly reduces development time. It is concluded that the choice between developing a model or using a pre-trained one depends on the objectives and available resources, considering the precision and development time.
Keywords: Convolutional neural networks, pathogen detection, pre-trained models, Python.
REFERENCIAS
[1] “Impulsar la industria ornamental de México con la experiencia y la innovación holandesas – OPF NEWS”, el 13 de septiembre de 2021. https://opf.news/impulsar-la-industria-ornamental-de-mexico-con-la-experiencia-y-la-innovacion-holandesas/ (cons ultado el 5 de junio de 2023).
[2] “Diagnóstico de enfermedades de las plantas.”, Normec Groen Agro Control. https://agrocontrol.nl/es/servicios/diagnostico-de-enfermedades-de-las-plantas/ (consultado el 17 de mayo de 2023).
[3] V. Valenzuela-Herrera y E. Redondo-Juárez, “Detección de Virus por Serología y Plantas Indicadoras en el Tubérculo-Semilla y Plantas de Cultivo de Meristemos en Papa (Solanum tuberosum L.) var. Alfa”.
[4] “¿Qué es una red neuronal?- Explicación de las redes neuronales artificiales- AWS”, Amazon Web Services, Inc. https://aws.amazon.com/es/what-is/neural-network/ (consultado el 18 de mayo de 2023).
[5] S. Haykin, Neural networks and learning machines, 3rd ed. New York: Prentice Hall, 2009.
[6] “¿Qué son las redes neuronales convolucionales? | IBM”. https://www.ibm.com/mx-es/topics/convolutional-neural-networks (consultado el 18 de mayo de 2023).
[7] “TensorFlow Hub”. https://tfhub.dev/ (consultado el 6 de septiembre de 2023).
[8] T. Wolf, V. Sanh, J. Chaumond, y C. Delangue, “TransferTransfo: A Transfer Learning Approach for Neural Network Based Conversational Agents”. arXiv, el 4 de febrero de 2019. Consultado: el 6 de septiembre de 2023. [En línea]. Disponible en: http://arxiv.org/abs/1901.08149
[9] R. Surya y E. Gautama, “Cassava Leaf Disease Detection Using Conv olutional Neural Networks”, en 2020 6th International Conference on Science in Information Technology (ICSITech), Palu, Indonesia: IEEE, oct. 2020, pp. 97 –102. doi: 10.1109/ICSITech49800.2020.9392051.
[10] A. K. Singh y B. Chaurasia, “Plant Leaf Disease Detection using Convolutional Neural Network and Random Forest Classifier”, International Journal of Innovations in Engineering and Science, vol. 6, núm. 10, p. 204, sep. 2021, doi: 10.46335/IJIES.2021.6.10.42.
[11] M. Kumar, P. Gupta, P. Madhav, y Sachin, “Disease Detection in Coffee Plants Using Convolutional Neural Network”, en 2020 5th International Conference on Communication and Electronics Systems (ICCES), Coimbatore, India: IEEE, jun. 2020, pp. 755 –760. doi: 10.1109/ICCES48766.2020.9138000.
[12] “Araña roja | Koppert México”. https://www.koppert.mx/retos/control-de-plagas/aranas-rojas-y-otras-aranas/arana-roja/ (consultado el 19 de junio de 2023).
[13] “Pulgones | Koppert México”. https://www.koppert.mx/retos/control-de-plagas/pulgones/ (consultado el 19 de junio de 2023) .
[14] A. Kumar, “Hold-out Method for Training Machine Learning Models”, Data Analytics, el 22 de mayo de 2023. https://vitalflux.com/hold-out-method-for-training-machine-learning-model/ (consultado el 19 de junio de 2023).
[15] M. Sandler, A. Howard, M. Zhu, A. Zhmoginov, y L.-C. Chen, “MobileNetV2: Inverted Residuals and Linear Bottlenecks”. arXiv, el 21 de marzo de 2019. Consultado: el 19 de mayo de 2023. [En línea]. Disponible en: http://arxiv.org/abs/1801.04381.
[16] “7. Entrenamiento de redes neuronales c) Métricas [logongas]”. https://logongas.es/doku.php?id=clase:iabd:pia:2eval .
CITAR COMO:
Rafael Alejandro Ochoa Sandoval, Noel García Díaz, Jesús Alberto Verduzco Ramírez, Juan García Virgen, José Román Herrera Morales, "Comparación de Dos Modelos de Red Neuronal Aplicados en la Detección de Patógenos en Plantas de Ornato", Revista ELECTRO, Vol. 45, 2023, pp.149-153.
VERSIÓN PDF