Modelo de aprendizaje no supervisado para el cálculo de atributos estructurales de cultivos de papa empleando técnicas de fotogrametría.

En este trabajo se aborda como objeto de estudio el tratamiento de datos de nubes de puntos obtenidos mediante técnicas de fotogrametría en cultivos de papa en la región de Cundinamarca, el objetivo principal es entrenar y probar un modelo basado en aprendizaje no supervisado que permita segmentar las áreas de interés de los datos, con el fin de calcular matemáticamente los atributos estructurales de la planta como superficie y altura. Se probaron dos métodos de aprendizaje automático, nueve características de la imagen, incluyendo la posición (x, y y z), los colores (R,G y B) y los parámetros normales para la segmentación del suelo y las plantas individuales. El clustering de K-means fue el que obtuvo los mayores porcentajes de acierto (86,33%) para la separación de plantas y suelo. El método desarrollado se validó mediante un estudio de caso en el que el conjunto de datos construido por GITUD tomó previamente muestras de un cultivo de plantas semimaduras. Por lo tanto, se separaron automáticamente las plantas individuales y se extrajeron con éxito las características de cada planta (altura y área de brotes) utilizando la línea de segmentación automática propuesta. Por último, la limitación de este estudio es que los métodos propuestos se han desarrollado y evaluado para la patata en estado de vegetación. Sin embargo, la aplicación de la segmentación para evaluar el estado de vegetación de una planta diferente está abierta para el reentrenamiento del modelo. Con el tiempo, se mejorará la precisión de la segmentación con otros métodos de agrupación y la forma de calcular los atributos estructurales mediante la experimentación o nuevas iteraciones para obtener una medida más precisa del atributo del área de brotes. El estado de la vegetación juega un papel fundamental para determinar el estado de los cultivos y permite tomar medidas en caso de comportamiento anormal en el desarrollo de las plantas cultivadas. En cultivos de más de una hectárea, determinar el estado de la vegetación es un reto debido a su gran tamaño actualmente el monitoreo implica personal especializado en campo y altos costos en la toma y análisis de muestras del cultivo, además de ingresar a zonas de difícil acceso como las del terreno colombiano por lo que surge la necesidad de otras técnicas de recolección de datos a gran escala como: el estudio de imágenes satelitales o nubes de puntos tomadas con vehículos aéreos no tripulados (UAV).

• Autores: Barrera Cuevas, Gina Alexandra Gevinova
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2022
• Institución: Universidad Distrital Francisco José de Caldas
• Repositorio: RIUD: repositorio U. Distrital
• Idioma: spa
• OAI Identifier: oai:repository.udistrital.edu.co:11349/31802
• Acceso en línea: http://hdl.handle.net/11349/31802
• Palabra clave: K-medoides; K-means; Inteligencia artificial aplicada; Plantas de papa; Ingeniería Electrónica -- Tesis y disertaciones académicas; Fotogrametría; Segmentación de datos; Aprendizaje no supervisado; Atributos estructurales; K-means; K-medoids; Potato plants; Applied artificial intelligence
• License: Attribution-NonCommercial-NoDerivatives 4.0 Internacional