Beruflich Dokumente
Kultur Dokumente
Semestre académico 10
E-mail marcoflorez120@yahoo.es
Semestre académico 10
E-mail juliane.zapata1.@gmail.com
Nombres y apellidos
Teléfono
Oficina
1. Introducción
2. Objetivo General
● Reconocer el fruto del cacao en una imagen por medio de redes neuronales
convolucionales, generando una zona de interés para el estudio de la enfermedad
del monilia en la planta.
● Identificar la enfermedad de la molina por diferentes técnicas de
procesamiento de imágenes, generando una alerta que se almacene en un servidor.
● Diseñar plataforma en el servidor por medio de un software libre que permita
la presentación de la información al usuario final.
● Evaluar el dispositivo final por medio de estadística descriptivas que generen
en una prueba controlada.
3. Marco Teórico
uno de los agentes patógenos al que deben hacer frente los agricultores es el hongo
de la moniliasis, ante el cual se implementa bien sea tratamiento biológico que
representa agentes contaminantes y el desarrollo de resistencia del hongo, o el otro
método es la remoción de frutos enfermos de manera manual, lo que ha demostrado
que aumenta los rendimientos de las plantaciones al pasar de hacer la purga
mensualmente al realizarlo semanalmente, para ello se hace necesario localizar la
infección en sus etapas tempranas en el individuo y a su vez en el cultivo, buscando
zonas de interés en los límites con zonas donde se encuentra la infección;
normalmente esto significa el aumento de mano de obra, pero al automatizar este
proceso, se hace posible aumentar los rendimientos sin dicho incremento.
Para el proceso de segmentación del fruto del cacao, será nuestra ROI, se utilizará
redes neuronales convolucionales (CNN) las cuales cumplen con el esquema de la
figura 2, que se compone de la capa de entrada, la capa convolucional, capa de
agrupación, capa flattening y capa full-connected a la red neuronal, esta conexión
permitirá determinar la posición del fruto del cacao dentro de la imagen digital, por
medio de patrones que presenta este fruto en específico. Las CNN están diseñadas
suponiendo que la entrada a la red es una imagen, lo cual permite codificar ciertas
propiedades en la arquitectura, permitiendo ganar eficiencia y reducir la cantidad de
parámetros usados en la red [4], basándose en tres ideas arquitectónicas para
asegurar cierto grado de aprendizaje que son campos receptivos locales, pesos
compartidos y submuestreo espacial o temporal.
N−F
Q=1+ (1)
S
N +2 P−F
Q=1+ (2)
S
En la capa full-conected la red neuronal por medio de una base de datos, la cual
contiene imágenes y una etiqueta indicando a qué clase pertenece cada una de las
imágenes. Durante el entrenamiento, la red intenta clasificar dichas imágenes y en
caso de fallar, ajustará los vectores de pesos asociados a cada una de las neuronas.
El entrenamiento se divide en épocas. Durante cada época se itera sobre el total de
las imágenes, o un subconjunto de ellas, dividiendo cada época en iteraciones de
tiempo más pequeñas conocidas como steps. En cada step se le pasará a la red un
número de imágenes igual a un parámetro conocido como batch size, y por lo tanto
en cada época se utilizarán un número de imágenes igual al batch size multiplicado
por el número de pasos. En nuestra red, utilizaremos el total de las imágenes en
cada época, las cuales se dividirán en tanto steps como permita el batch size [9].
Después de lograr detectar los puntos locales donde se encuentra el fruto de cacao,
es necesario el uso del proceso de cuantificación de una imagen que se llama
extracción de características. El proceso de extracción de características gobierna
las reglas, algoritmos y metodologías que se utiliza para cuantificar de manera
abstracta el contenido de una imagen usando sólo una lista de números, llamada
vector de características. Los descriptores de imagen y los descriptores de
características gobiernan cómo se abstrae y cuantifica una imagen, mientras que los
vectores de características son la salida de los descriptores y se utilizan para
cuantificar la imagen. Para este caso específico se utilizará el histograma de color
que describen la imagen, en elementos sanos y enfermos por medio de métodos
tradicionales de aprendizaje de máquinas, para el desarrollo de este proceso se
utilizará las máquinas de soporte vectorial que son las más populares en la
actualidad. Es importante aclarar que si es necesario utilizar otro descriptor de
imagen se aplicará para que la SVM tenga mejores resultados.
La metodología planteada para entrenar una red neuronal parte de la filosofía del
software libre, que implica que hay muchos desarrollos en el que se puede apoyar
una aplicación como la presente, por ejemplo aplicaciones como darknet,
desarrollada por Google, nos brinda una serie de modelos preentrenados con la
capacidad de ser enriquecidos y ajustados con las imágenes propias del problema
planteado; entonces se requiere una serie de imágenes que contienen los frutos a
estudiar, y un tiempo de procesamiento en computadores de alta gama como los
ofrecidos por amazon de manera virtual parta poder realizar el ajuste de los pesos y
así un aprendizaje de máquina sintetizado en un archivo de alrededor de 200MB,
del cual se partirá a la hora de encontrar el objetivo en una imagen, y catalogarlo
entre enfermo o sano. [17]
4. Metodología
Objetivo 1
Reconocer el fruto del cacao en una imagen por medio de redes
neuronales convolucionales, generando una zona de interés
para el estudio de la enfermedad del monilia en la planta
Actividades:
• Proponer un modelo que contenga los parámetros para implementar una
red neuronal.
• Crear una base de datos conformada por 5000 fotos de 6 megapíxeles con
frutos de cacao de plantaciones ubicadas en los municipios de Angostura y
Briceño (Antioquia).
• Someter las imágenes a un pre-procesamiento para aumentar el número de
datos.
• Implementar una red neuronal que reconozca los frutos y los patrones
específicos a partir del aprendizaje supervisado; el backend de esta contiene
librerías de keras y tensorflow y el aprendizaje será alimentado con las fotos
obtenidas.
Objetivo 2
Identificar la enfermedad de la molina por diferentes técnicas de
procesamiento de imágenes, generando una alerta que se
almacene en un servidor.
Objetivo 3
Diseñar plataforma en el servidor por medio de un software libre
que permita la presentación de la información al usuario final.
• Implementar un servidor y transmitir la información hasta él.
Objetivo 4
Evaluar el dispositivo final por medio de estadística descriptiva,
y así generar una prueba controlada.
◦ 5. Cronograma de Actividades
Semana → 1 3 4 5 6 7 8 9 10 11 12 14
2 13
Objetivo Actividad ↓
←
x x x
Proponer modelo
x x x
Adquirir base de datos
1
Implementar red neuronal x x x x x
Clasificar los frutos entre sanos y no x x x x
2
Generar informes x x
4 Hacer pruebas x x x x x x x
Exposición x
◦ 6. Resultados Esperados
◦ 7. Presupuesto
Item Cantidad Valor/unidad Total
1 $ 300000 $300000
cámara fotográfica
2 $ 800000 $1600000
Computador con
sistema operativo
linux
◦ 8. Referencias bibliográficas
[2] [S. Khobragade, A. Tiwari, C. Y. Patil and V. Narke, "Automatic detection of major
lung diseases using Chest Radiographs and classification by feed-forward artificial
neural network," 2016 IEEE 1st International Conference on Power Electronics,
Intelligent Control and Energy Systems (ICPEICES) , Delhi, 2016, pp. 1-5.
[3]P. Korbel and K. Slot, "CNN-based object recognition with deformable grids and
multiple-feature image representation," 2005 9th International Workshop on Cellular
Neural Networks and Their Applications, Hsinchu, Taiwan, 2005, pp. 65-68. doi:
10.1109/CNNA.2005.1543162, URL:
http://aplicacionesbiblioteca.udea.edu.co:2487/stamp/stamp.jsp?
tp=&arnumber=1543162&isnumber=32957
[5] Gil, P., Torres, F., & Ortiz Zamora, F. G. (2004). Detección de objetos por
segmentación multinivel combinada de espacios de color.
[6]LeCun, Y., Bottou, L., Bengio, Y., & Haffner, P. (1998). Gradient-based learning
applied to document recognition. Proceedings of the IEEE, 86(11), 2278-2324.
[7] http://www.diegocalvo.es/red-neuronal-convolucional/
[8] Calatayud Giner, J. (2019). Aplicación de métodos de machine learning a la
espectroscopía de protones acelerados por láser (Doctoral dissertation).
[9]J. OOI, L. C. TAY and W. K. LAI, "Bottom-hat filtering for Defect Detection with
CNN Classification on Car Wiper Arm," 2019 IEEE 15th International Colloquium on
Signal Processing & Its Applications (CSPA), Penang, Malaysia, 2019, pp. 90-95.
[10][J. Kang and W. Zhang, "An Approach for Image Thresholding Using CNN
Associated with Histogram Analysis," 2009 International Conference on Measuring
Technology and Mechatronics Automation, Zhangjiajie, Hunan, 2009, pp. 421-424.
[11]Krauss, U., ten Hoopen, M., Hidalgo, E., Martínez, A., Arroyo, C., García, J., ... &
Sánchez, V. (2003). Manejo integrado de la moniliasis (Moniliophthora roreri) del
cacao (Theobroma cacao) en Talamanca, Costa Rica. Agroforestería en las
Américas, 10(37-38), 52-58.
[14] http://numerentur.org/svm/