Identificación de patologías en hojas del manzano mediante procesamiento de imágenes y aprendizaje de máquinas

El manzano, Malus Domestica, es un árbol de la familia de las rosáceas, crece en zonas costeras de alrededor de 2200 metros sobre el nivel del mar. Sus hojas son ovaladas, con base triangular y su ápice suele ser obtuso o en punta. Los cultivos de manzano suelen ser extensos, dificultando así la ide...

Full description

Autores:
Pizza Vargas, Laura Camila
Ariza Londoño, Santiago Felipe
Tipo de recurso:
Trabajo de grado de pregrado
Fecha de publicación:
2021
Institución:
Universidad de Ibagué
Repositorio:
Repositorio Universidad de Ibagué
Idioma:
spa
OAI Identifier:
oai:repositorio.unibague.edu.co:20.500.12313/4915
Acceso en línea:
https://hdl.handle.net/20.500.12313/4915
Palabra clave:
Patologías en hojas del manzano - Identificación mediante procesamiento de imágenes y aprendizaje de máquinas
Identificación mediante procesamiento de imágenes y aprendizaje de máquinas - Patologías en hojas del manzano
Manzano
Aprendizaje de máquinas
Procesamiento de imágenes
Patología en plantas
Redes neuronales
Apple tree
Machine learning
Image processing
Plant pathology
Neural networks
Rights
openAccess
License
http://purl.org/coar/access_right/c_abf2
id UNIBAGUE2_8eb885a6e71dfa6fddcb3c394df2368a
oai_identifier_str oai:repositorio.unibague.edu.co:20.500.12313/4915
network_acronym_str UNIBAGUE2
network_name_str Repositorio Universidad de Ibagué
repository_id_str
dc.title.spa.fl_str_mv Identificación de patologías en hojas del manzano mediante procesamiento de imágenes y aprendizaje de máquinas
title Identificación de patologías en hojas del manzano mediante procesamiento de imágenes y aprendizaje de máquinas
spellingShingle Identificación de patologías en hojas del manzano mediante procesamiento de imágenes y aprendizaje de máquinas
Patologías en hojas del manzano - Identificación mediante procesamiento de imágenes y aprendizaje de máquinas
Identificación mediante procesamiento de imágenes y aprendizaje de máquinas - Patologías en hojas del manzano
Manzano
Aprendizaje de máquinas
Procesamiento de imágenes
Patología en plantas
Redes neuronales
Apple tree
Machine learning
Image processing
Plant pathology
Neural networks
title_short Identificación de patologías en hojas del manzano mediante procesamiento de imágenes y aprendizaje de máquinas
title_full Identificación de patologías en hojas del manzano mediante procesamiento de imágenes y aprendizaje de máquinas
title_fullStr Identificación de patologías en hojas del manzano mediante procesamiento de imágenes y aprendizaje de máquinas
title_full_unstemmed Identificación de patologías en hojas del manzano mediante procesamiento de imágenes y aprendizaje de máquinas
title_sort Identificación de patologías en hojas del manzano mediante procesamiento de imágenes y aprendizaje de máquinas
dc.creator.fl_str_mv Pizza Vargas, Laura Camila
Ariza Londoño, Santiago Felipe
dc.contributor.advisor.none.fl_str_mv Forero Vargas, Manuel Guillermo [dirección ]
Montero Colio, Mariano Gilbran [asesor]
dc.contributor.author.none.fl_str_mv Pizza Vargas, Laura Camila
Ariza Londoño, Santiago Felipe
dc.subject.armarc.none.fl_str_mv Patologías en hojas del manzano - Identificación mediante procesamiento de imágenes y aprendizaje de máquinas
Identificación mediante procesamiento de imágenes y aprendizaje de máquinas - Patologías en hojas del manzano
topic Patologías en hojas del manzano - Identificación mediante procesamiento de imágenes y aprendizaje de máquinas
Identificación mediante procesamiento de imágenes y aprendizaje de máquinas - Patologías en hojas del manzano
Manzano
Aprendizaje de máquinas
Procesamiento de imágenes
Patología en plantas
Redes neuronales
Apple tree
Machine learning
Image processing
Plant pathology
Neural networks
dc.subject.proposal.spa.fl_str_mv Manzano
Aprendizaje de máquinas
Procesamiento de imágenes
Patología en plantas
Redes neuronales
dc.subject.proposal.eng.fl_str_mv Apple tree
Machine learning
Image processing
Plant pathology
Neural networks
description El manzano, Malus Domestica, es un árbol de la familia de las rosáceas, crece en zonas costeras de alrededor de 2200 metros sobre el nivel del mar. Sus hojas son ovaladas, con base triangular y su ápice suele ser obtuso o en punta. Los cultivos de manzano suelen ser extensos, dificultando así la identificación de enfermedades que los puedan afectar si no se tratan a tiempo. Algunas de las patologías que se pueden presentar son hongos, costras, insectos, pudrición, entre muchas otras. Para evaluar el estado de los cultivos pueden emplearse técnicas de procesamiento de imágenes y aprendizaje de máquinas, en particular métodos de aprendizaje profundo, los cuales requieren un muy alto número de muestras. Para esta investigación, se tomó la base de datos de la plataforma Kaggle, la cual da acceso a múltiples bases de datos de manera gratuita y libre. Se requiere entonces, procesar las imágenes de las hojas y con estas probar una red neuronal que sea capaz de clasificar las hojas sanas y enfermas, adicionalmente, debe ser capaz de identificar las tres diferentes patologías trabajadas. Lo anterior, se pretende a través del uso de aprendizaje de máquinas, por medio de métodos de aprendizaje profundo.
publishDate 2021
dc.date.issued.none.fl_str_mv 2021
dc.date.accessioned.none.fl_str_mv 2025-03-31T13:31:08Z
dc.date.available.none.fl_str_mv 2025-03-31T13:31:08Z
dc.type.none.fl_str_mv Trabajo de grado - Pregrado
dc.type.coar.none.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
dc.type.content.none.fl_str_mv Text
dc.type.driver.none.fl_str_mv info:eu-repo/semantics/bachelorThesis
dc.type.redcol.none.fl_str_mv http://purl.org/redcol/resource_type/TP
dc.type.version.none.fl_str_mv info:eu-repo/semantics/acceptedVersion
format http://purl.org/coar/resource_type/c_7a1f
status_str acceptedVersion
dc.identifier.citation.none.fl_str_mv Pizza Vargas, L. C. & Ariza Londoño, S. F.(2021).Identificación de patologías en hojas del manzano mediante procesamiento de imágenes y aprendizaje de máquinas.[Trabajo de grado, Universidad de Ibagué]. https://hdl.handle.net/20.500.12313/4915
dc.identifier.uri.none.fl_str_mv https://hdl.handle.net/20.500.12313/4915
identifier_str_mv Pizza Vargas, L. C. & Ariza Londoño, S. F.(2021).Identificación de patologías en hojas del manzano mediante procesamiento de imágenes y aprendizaje de máquinas.[Trabajo de grado, Universidad de Ibagué]. https://hdl.handle.net/20.500.12313/4915
url https://hdl.handle.net/20.500.12313/4915
dc.language.iso.none.fl_str_mv spa
language spa
dc.relation.references.none.fl_str_mv Periódico El Campesino – La voz del campo colombiano. 2021. La agricultura colombiana en el contexto de la globalización. [online] Available at: <https://elcampesino.co/la-agricultura- colombiana-en-el-contexto-de-la-globalizacion/> [Accessed 7 October 2021].
EAFIT, U., 2021. Tan cerca y tan lejos de la agricultura 4.0 en Colombia - Investigación / Noticias - Universidad EAFIT. [online] Eafit.edu.co. Available at: <https://www.eafit.edu.co/investigacion/noticias/Paginas/tan-cerca-y-tan-lejos-de-la-agricultura- 4-0-en-colombia.aspx> [Accessed 7 October 2021]
Battharai, S, “New Plant Diseases Dataset” Kaggle Dataset, 2018. https://www.kaggle.com/vipoooool/new-plant-diseases-dataset/metadata [Consultado el 6 de septiembre de 2021].
Pallavi. S. Marathe, “Plant Disease Detection using Digital Image Processing and GSM”, International Journal of Engineering Science and Computing, April 2017, pp. 10513-15.
Bula, A., 2020. Importancia de la agricultura en el desarrollo socio-económico. [En línea] Observatorio.unr.edu.ar. Disponible en: <https://observatorio.unr.edu.ar/wp- content/uploads/2020/08/Importancia-de-la-agricultura-en-el-desarrollo-socio- econ%C3%B3mico.pdf> [Consultado el 6 de septiembre de 2021].
S. Weizheng, W. Yachun, C. Zhanliang and W. Hongda, "Grading Method of Leaf Spot Disease Based on Image Processing," 2008 International Conference on Computer Science and Software Engineering, 2008, pp. 491-494, doi: 10.1109/CSSE.2008.1649.
Heber I. Mejiá-Cabrera, J. Nicolás Flores, Jack Sigueñas, Victor Tuesta-Monteza, and Manuel G. Forero "Identification of Lasiodiplodia Theobromae in avocado trees through image processing and machine learning", Proc. SPIE 11510, Applications of Digital Image Processing XLIII, 115102F (21 August 2020); https://doi.org/10.1117/12.2567322
A. Devaraj, K. Rathan, S. Jaahnavi and K. Indira, "Identification of Plant Disease using Image Processing Technique," 2019 International Conference on Communication and Signal Processing (ICCSP), 2019, pp. 0749-0753, doi: 10.1109/ICCSP.2019.8698056.
E. Hossain, M. F. Hossain and M. A. Rahaman, "A Color and Texture Based Approach for the Detection and Classification of Plant Leaf Disease Using KNN Classifier," 2019 International Conference on Electrical, Computer and Communication Engineering (ECCE), 2019, pp. 1-6, doi: 10.1109/ECACE.2019.8679247.
Uğuz, S., Uysal, N. Classification of olive leaf diseases using deep convolutional neural networks. Neural Comput & Applic 33, 4133–4149 (2021). https://doi.org/10.1007/s00521-020- 05235-5.
U. Shruthi, V. Nagaveni and B. K. Raghavendra, "A Review on Machine Learning Classification Techniques for Plant Disease Detection," 2019 5th International Conference on Advanced Computing & Communication Systems (ICACCS), 2019, pp. 281-284, doi: 10.1109/ICACCS.2019.8728415.
Briones, P., Lebrija, O. and Uribe, C., 2019. PROCESAMIENTO DE IMÁGENES. [online] Bibliotecadigital.ilce.edu.mx. Available at: <http://bibliotecadigital.ilce.edu.mx/sites/ciencia/volumen2/ciencia3/084/htm/sec_9.htm> [Accessed 3 October 2021].
Matlab, MathWorks, Histograma. 2021. [online] MatlabWorks. Available at: <https://es.mathworks.com/help/matlab/ref/matlab.graphics.chart.primitive.histogram.html> [Accessed 2 November 2021].
La Serna Palomino, N. and Román Concha, U., 2009. Técnicas de Segmentación en Procesamiento Digital de Imágenes. 6th ed. [ebook] Lima: Universidad Nacional Mayor de San Marcos. Available at: <https://sisbib.unmsm.edu.pe/BibVirtual/Publicaciones/risi/2009_n2/v6n2/a02v6n2.pdf> [Accessed 3 October 2021].
Matlab, Silueta. 2021. MathWorks. [online] Available at: <https://www.mathworks.com/help/stats/silhouette.html> [Accessed 2 November 2021].
Banchero, S., 2015. Calidad del agrupamiento: Coeficiente de Silueta. 1st ed. Lujan: Universidad de Luján.
Wolfram. 2021. Segmentación de imágenes con un modelo mixto gaussiano: Nuevo en Wolfram Language 11. [online] Available at: <https://www.wolfram.com/language/11/extended- probability-and-statistics/image-segmentation-with-gaussian-mixture-model.html.es> [Accessed 4 October 2021].
Ramírez, E., Martínez, D., & Carmona, R. (2021). Segmentación de Imágenes a Color Basada en el Algoritmo de GrabCut (p. 1). Caracas. Obtenido de https://www.researchgate.net/publication/261063642_Segmentacion_de_Imagenes_a_Color_Ba sada_en_el_Algoritmo_de_GrabCut.
Carsten Rother, Vladimir Kolmogorov, Andrew Blake: "GrabCut": interactive foreground extraction using iterated graph cuts. ACM Trans. Graph. 23(3): 309-314 (2004)
Tuesta-Monteza V.A., Cespedes-Ordoñez B.N., Mejia-Cabrera H.I., Forero M.G. (2021) Development of a Method for Identifying People by Processing Digital Images from Handprint. In: Roman-Rangel E., Kuri-Morales Á.F., Martínez-Trinidad J.F., Carrasco-Ochoa J.A., Olvera-López J.A. (eds) Pattern Recognition. MCPR 2021. Lecture Notes in Computer Science, vol 12725. Springer, Cham. https://doi.org/10.1007/978-3-030-77004-4_22
Nilsson, N. (1998). Introduction to machine learning (p. 2). California. http://robotics.stanford.edu/people/nilsson/MLBOOK.pdf
J. L. Sarmiento-Ramos, “Aplicaciones de las redes neuronales y el deep learning a la ingeniería biomédica,” Rev. UIS Ing., vol. 19, no. 4, pp. 1-18, 2020, doi: https://doi.org/10.18273/revuin.v19n4-2020001
Andrade, H., Sinche, S., & Hidalgo, P. (2021). Modelo para detectar el uso correcto de mascarillas en tiempo real utilizando redes neuronales convolucionales. Quito, https://doi.org/10.36825/RITI.09.17.011.
Alex Krizhevsky, Ilya Sutskever, Geoffrey E. Hinton, (2017): ImageNet classification with deep convolutional neural networks. Commun. ACM 60(6): 84-90
Utrera, J. (2018). Deep Learning básico con Keras VGG [Ebook] (p. 1). Obtenido de https://enmilocalfunciona.io/deep-learning-basico-con-keras-parte-3-vgg/.
Zheng, Y., Yang, C., & Merkulov, A. (2018). Breast cancer screening using convolutional neural network and follow-up digital mammography [Ebook] (p. 1). Obtenido de http://doi: 10.1117/12.2304564.
Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun: Deep Residual Learning for Image Recognition. CVPR 2016: 770-778
Andrew G. Howard, Menglong Zhu, Bo Chen, Dmitry Kalenichenko, Weijun Wang, Tobias Weyand, Marco Andreetto, Hartwig Adam (2017): MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications. CoRR abs/1704.04861
Muñoz, J., 2019. Herramienta Software Para el Reconocimiento De Objetos Como Ayuda A Los Procesos de Mercadeo Institucional. 1st ed. [ebook] Santiago de Calo: Universidad Autónoma de Occidente. Available at: <https://red.uao.edu.co/bitstream/handle/10614/11796/T08860.pdf>
Bravo-, S., & Cruz, J. (2015). Estudios de exactitud diagnóstica: Herramientas para su Interpretación (p. 1). Santiago. doi: 10.4067/S0717-93082015000400007
Heras, J. (2021). Precision, Recall, F1, Accuracy en clasificación - IArtificial.net. Obtenido el 2 Noviembre 2021, de https://www.iartificial.net/precision-recall-f1-accuracy-en-clasificacion/
dc.rights.accessrights.none.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.coar.none.fl_str_mv http://purl.org/coar/access_right/c_abf2
dc.rights.license.none.fl_str_mv Atribución-NoComercial 4.0 Internacional (CC BY-NC 4.0)
dc.rights.uri.none.fl_str_mv https://creativecommons.org/licenses/by-nc/4.0/
eu_rights_str_mv openAccess
rights_invalid_str_mv http://purl.org/coar/access_right/c_abf2
Atribución-NoComercial 4.0 Internacional (CC BY-NC 4.0)
https://creativecommons.org/licenses/by-nc/4.0/
dc.format.extent.none.fl_str_mv 71 páginas
dc.format.mimetype.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidad de Ibagué
dc.publisher.faculty.none.fl_str_mv Ingeniería
dc.publisher.place.none.fl_str_mv Ibagué
dc.publisher.program.none.fl_str_mv Ingeniería Electrónica
publisher.none.fl_str_mv Universidad de Ibagué
institution Universidad de Ibagué
bitstream.url.fl_str_mv https://repositorio.unibague.edu.co/bitstreams/10e1865a-ce90-43b0-95e9-892919192cce/download
https://repositorio.unibague.edu.co/bitstreams/1dad19de-562d-4773-be99-b5403cd34223/download
https://repositorio.unibague.edu.co/bitstreams/221426b9-8184-4397-9c14-51dcab4a53ea/download
https://repositorio.unibague.edu.co/bitstreams/f27d0789-aa60-46f1-95b5-a45c4689e339/download
https://repositorio.unibague.edu.co/bitstreams/5692854e-e875-4766-be90-28b4d7d69dcc/download
https://repositorio.unibague.edu.co/bitstreams/631c1cec-d819-4ad0-9d5f-f6e3c060e95e/download
https://repositorio.unibague.edu.co/bitstreams/1c89b84b-2010-4f10-ad3c-1904965fa373/download
https://repositorio.unibague.edu.co/bitstreams/53343e77-fec8-4ba0-96e2-acfaccfcde15/download
bitstream.checksum.fl_str_mv 49dff8a2af781bdcfb85b5199c9012d5
f5639217c84a08fcd7311dc8de18bc9b
0f327013bb9ff6f8b8f8f42c039a9bfe
2fa3e590786b9c0f3ceba1b9656b7ac3
53d60ca324eed934d2b208da1833471a
10dedbb7e9de39b8f60df242e4d73ec1
71673cda9f49c064b025c2ca29e997c6
42a5bd7b5fbf744099286f189d4755d9
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Institucional Universidad de Ibagué
repository.mail.fl_str_mv bdigital@metabiblioteca.com
_version_ 1851059990712811520
spelling Forero Vargas, Manuel Guillermo [dirección ]1578ef4b-45b1-4a61-b513-dc6620e24a3c-1Montero Colio, Mariano Gilbran [asesor]3fce0f7a-761a-47da-be51-397513f60427-1Pizza Vargas, Laura Camila569f8ec1-be67-451b-ad85-d315d19343a9-1Ariza Londoño, Santiago Felipe8d972a14-e965-4444-990d-76618825a57c-12025-03-31T13:31:08Z2025-03-31T13:31:08Z2021El manzano, Malus Domestica, es un árbol de la familia de las rosáceas, crece en zonas costeras de alrededor de 2200 metros sobre el nivel del mar. Sus hojas son ovaladas, con base triangular y su ápice suele ser obtuso o en punta. Los cultivos de manzano suelen ser extensos, dificultando así la identificación de enfermedades que los puedan afectar si no se tratan a tiempo. Algunas de las patologías que se pueden presentar son hongos, costras, insectos, pudrición, entre muchas otras. Para evaluar el estado de los cultivos pueden emplearse técnicas de procesamiento de imágenes y aprendizaje de máquinas, en particular métodos de aprendizaje profundo, los cuales requieren un muy alto número de muestras. Para esta investigación, se tomó la base de datos de la plataforma Kaggle, la cual da acceso a múltiples bases de datos de manera gratuita y libre. Se requiere entonces, procesar las imágenes de las hojas y con estas probar una red neuronal que sea capaz de clasificar las hojas sanas y enfermas, adicionalmente, debe ser capaz de identificar las tres diferentes patologías trabajadas. Lo anterior, se pretende a través del uso de aprendizaje de máquinas, por medio de métodos de aprendizaje profundo.The apple tree, Malus Domestica, is a tree of the Rosaceae family, it grows in coastal areas around 2,200 meters above sea level. Its leaves are oval, with a triangular base and its apex is usually obtuse or pointed. Apple tree crops are usually extensive, thus making it difficult to identify diseases that can affect them if they are not treated in time. Some of the pathologies that can occur are fungi, scabs, insects, rot, among many others. Image processing and machine learning techniques, in particular deep learning methods, which require a very high number of samples, can be used to assess the state of cultures. For this research, the Kaggle platform database was taken, which gives access to multiple databases for free. It is then necessary to process the images of the leaves and with these to test a neural network that is capable of classifying healthy and diseased leaves, additionally, it must be able to identify the three different pathologies worked on. The above is intended through the use of machine learning, through deep learning methods.PregradoIngeniero Electrónico● Resumen.....5 ● Lista de figuras.....8 ● Lista de tablas.....10 ● Introducción.....11 1. Objeto de estudio.....13 1.1 Descripción del problema.....13 1.2 Objetivos: General y específicos.....13 1.2.1 Objetivo general.....13 1.2.2 Objetivos específicos.....13 2. Marco teórico.....18 2.1 Procesamiento de imágenes.....18 2.2 Segmentación.....19 - Umbralización.....20 - Silueta.....21 - Coeficiente de silueta.....22 - Modelos Gaussianos Mixtos (GMM).....22 - GrabCut.....23 - Dice Score.....24 2.3 Delimitación.....24 2.3.1 Bounding box.....25 2.4 Aprendizaje de máquinas.....26 2.4.1 Redes neuronales convolucionales.....26 - VGG-16.....27 - VGG-19.....28 - ResNet-50.....28 - MobileNet.....29 2.4.2 Matriz de confusión y métricas de evaluación.....31 3. Materiales.....33 4. Desarrollo.....34 4.1 Segmentación.....34 4.1.1 Modelo Gaussiano Mixto.....35 4.1.2 Técnica GrabCut.....39 4.1.3 Técnica de delimitación y extracción de la hoja.....41 4.2 Clasificación de patologías.....42 5. Resultados.....44 5.1 Evaluación de las técnicas de segmentación.....44 5.2 Evaluación de los métodos de clasificación.....45 6. Conclusiones y recomendaciones.....57 6.1 Conclusiones.....57 6.2 Recomendaciones.....58 A. Anexo: Proceso para emplear el algoritmo Grabcut.....59 B. Anexo: Parámetros del clasificador.....60 7. Referencias bibliográficas.....6171 páginasapplication/pdfPizza Vargas, L. C. & Ariza Londoño, S. F.(2021).Identificación de patologías en hojas del manzano mediante procesamiento de imágenes y aprendizaje de máquinas.[Trabajo de grado, Universidad de Ibagué]. https://hdl.handle.net/20.500.12313/4915https://hdl.handle.net/20.500.12313/4915spaUniversidad de IbaguéIngenieríaIbaguéIngeniería ElectrónicaPeriódico El Campesino – La voz del campo colombiano. 2021. La agricultura colombiana en el contexto de la globalización. [online] Available at: <https://elcampesino.co/la-agricultura- colombiana-en-el-contexto-de-la-globalizacion/> [Accessed 7 October 2021].EAFIT, U., 2021. Tan cerca y tan lejos de la agricultura 4.0 en Colombia - Investigación / Noticias - Universidad EAFIT. [online] Eafit.edu.co. Available at: <https://www.eafit.edu.co/investigacion/noticias/Paginas/tan-cerca-y-tan-lejos-de-la-agricultura- 4-0-en-colombia.aspx> [Accessed 7 October 2021]Battharai, S, “New Plant Diseases Dataset” Kaggle Dataset, 2018. https://www.kaggle.com/vipoooool/new-plant-diseases-dataset/metadata [Consultado el 6 de septiembre de 2021].Pallavi. S. Marathe, “Plant Disease Detection using Digital Image Processing and GSM”, International Journal of Engineering Science and Computing, April 2017, pp. 10513-15.Bula, A., 2020. Importancia de la agricultura en el desarrollo socio-económico. [En línea] Observatorio.unr.edu.ar. Disponible en: <https://observatorio.unr.edu.ar/wp- content/uploads/2020/08/Importancia-de-la-agricultura-en-el-desarrollo-socio- econ%C3%B3mico.pdf> [Consultado el 6 de septiembre de 2021].S. Weizheng, W. Yachun, C. Zhanliang and W. Hongda, "Grading Method of Leaf Spot Disease Based on Image Processing," 2008 International Conference on Computer Science and Software Engineering, 2008, pp. 491-494, doi: 10.1109/CSSE.2008.1649.Heber I. Mejiá-Cabrera, J. Nicolás Flores, Jack Sigueñas, Victor Tuesta-Monteza, and Manuel G. Forero "Identification of Lasiodiplodia Theobromae in avocado trees through image processing and machine learning", Proc. SPIE 11510, Applications of Digital Image Processing XLIII, 115102F (21 August 2020); https://doi.org/10.1117/12.2567322A. Devaraj, K. Rathan, S. Jaahnavi and K. Indira, "Identification of Plant Disease using Image Processing Technique," 2019 International Conference on Communication and Signal Processing (ICCSP), 2019, pp. 0749-0753, doi: 10.1109/ICCSP.2019.8698056.E. Hossain, M. F. Hossain and M. A. Rahaman, "A Color and Texture Based Approach for the Detection and Classification of Plant Leaf Disease Using KNN Classifier," 2019 International Conference on Electrical, Computer and Communication Engineering (ECCE), 2019, pp. 1-6, doi: 10.1109/ECACE.2019.8679247.Uğuz, S., Uysal, N. Classification of olive leaf diseases using deep convolutional neural networks. Neural Comput & Applic 33, 4133–4149 (2021). https://doi.org/10.1007/s00521-020- 05235-5.U. Shruthi, V. Nagaveni and B. K. Raghavendra, "A Review on Machine Learning Classification Techniques for Plant Disease Detection," 2019 5th International Conference on Advanced Computing & Communication Systems (ICACCS), 2019, pp. 281-284, doi: 10.1109/ICACCS.2019.8728415.Briones, P., Lebrija, O. and Uribe, C., 2019. PROCESAMIENTO DE IMÁGENES. [online] Bibliotecadigital.ilce.edu.mx. Available at: <http://bibliotecadigital.ilce.edu.mx/sites/ciencia/volumen2/ciencia3/084/htm/sec_9.htm> [Accessed 3 October 2021].Matlab, MathWorks, Histograma. 2021. [online] MatlabWorks. Available at: <https://es.mathworks.com/help/matlab/ref/matlab.graphics.chart.primitive.histogram.html> [Accessed 2 November 2021].La Serna Palomino, N. and Román Concha, U., 2009. Técnicas de Segmentación en Procesamiento Digital de Imágenes. 6th ed. [ebook] Lima: Universidad Nacional Mayor de San Marcos. Available at: <https://sisbib.unmsm.edu.pe/BibVirtual/Publicaciones/risi/2009_n2/v6n2/a02v6n2.pdf> [Accessed 3 October 2021].Matlab, Silueta. 2021. MathWorks. [online] Available at: <https://www.mathworks.com/help/stats/silhouette.html> [Accessed 2 November 2021].Banchero, S., 2015. Calidad del agrupamiento: Coeficiente de Silueta. 1st ed. Lujan: Universidad de Luján.Wolfram. 2021. Segmentación de imágenes con un modelo mixto gaussiano: Nuevo en Wolfram Language 11. [online] Available at: <https://www.wolfram.com/language/11/extended- probability-and-statistics/image-segmentation-with-gaussian-mixture-model.html.es> [Accessed 4 October 2021].Ramírez, E., Martínez, D., & Carmona, R. (2021). Segmentación de Imágenes a Color Basada en el Algoritmo de GrabCut (p. 1). Caracas. Obtenido de https://www.researchgate.net/publication/261063642_Segmentacion_de_Imagenes_a_Color_Ba sada_en_el_Algoritmo_de_GrabCut.Carsten Rother, Vladimir Kolmogorov, Andrew Blake: "GrabCut": interactive foreground extraction using iterated graph cuts. ACM Trans. Graph. 23(3): 309-314 (2004)Tuesta-Monteza V.A., Cespedes-Ordoñez B.N., Mejia-Cabrera H.I., Forero M.G. (2021) Development of a Method for Identifying People by Processing Digital Images from Handprint. In: Roman-Rangel E., Kuri-Morales Á.F., Martínez-Trinidad J.F., Carrasco-Ochoa J.A., Olvera-López J.A. (eds) Pattern Recognition. MCPR 2021. Lecture Notes in Computer Science, vol 12725. Springer, Cham. https://doi.org/10.1007/978-3-030-77004-4_22Nilsson, N. (1998). Introduction to machine learning (p. 2). California. http://robotics.stanford.edu/people/nilsson/MLBOOK.pdfJ. L. Sarmiento-Ramos, “Aplicaciones de las redes neuronales y el deep learning a la ingeniería biomédica,” Rev. UIS Ing., vol. 19, no. 4, pp. 1-18, 2020, doi: https://doi.org/10.18273/revuin.v19n4-2020001Andrade, H., Sinche, S., & Hidalgo, P. (2021). Modelo para detectar el uso correcto de mascarillas en tiempo real utilizando redes neuronales convolucionales. Quito, https://doi.org/10.36825/RITI.09.17.011.Alex Krizhevsky, Ilya Sutskever, Geoffrey E. Hinton, (2017): ImageNet classification with deep convolutional neural networks. Commun. ACM 60(6): 84-90Utrera, J. (2018). Deep Learning básico con Keras VGG [Ebook] (p. 1). Obtenido de https://enmilocalfunciona.io/deep-learning-basico-con-keras-parte-3-vgg/.Zheng, Y., Yang, C., & Merkulov, A. (2018). Breast cancer screening using convolutional neural network and follow-up digital mammography [Ebook] (p. 1). Obtenido de http://doi: 10.1117/12.2304564.Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun: Deep Residual Learning for Image Recognition. CVPR 2016: 770-778Andrew G. Howard, Menglong Zhu, Bo Chen, Dmitry Kalenichenko, Weijun Wang, Tobias Weyand, Marco Andreetto, Hartwig Adam (2017): MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications. CoRR abs/1704.04861Muñoz, J., 2019. Herramienta Software Para el Reconocimiento De Objetos Como Ayuda A Los Procesos de Mercadeo Institucional. 1st ed. [ebook] Santiago de Calo: Universidad Autónoma de Occidente. Available at: <https://red.uao.edu.co/bitstream/handle/10614/11796/T08860.pdf>Bravo-, S., & Cruz, J. (2015). Estudios de exactitud diagnóstica: Herramientas para su Interpretación (p. 1). Santiago. doi: 10.4067/S0717-93082015000400007Heras, J. (2021). Precision, Recall, F1, Accuracy en clasificación - IArtificial.net. Obtenido el 2 Noviembre 2021, de https://www.iartificial.net/precision-recall-f1-accuracy-en-clasificacion/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Atribución-NoComercial 4.0 Internacional (CC BY-NC 4.0)https://creativecommons.org/licenses/by-nc/4.0/Patologías en hojas del manzano - Identificación mediante procesamiento de imágenes y aprendizaje de máquinasIdentificación mediante procesamiento de imágenes y aprendizaje de máquinas - Patologías en hojas del manzanoManzanoAprendizaje de máquinasProcesamiento de imágenesPatología en plantasRedes neuronalesApple treeMachine learningImage processingPlant pathologyNeural networksIdentificación de patologías en hojas del manzano mediante procesamiento de imágenes y aprendizaje de máquinasTrabajo de grado - Pregradohttp://purl.org/coar/resource_type/c_7a1fTextinfo:eu-repo/semantics/bachelorThesishttp://purl.org/redcol/resource_type/TPinfo:eu-repo/semantics/acceptedVersionPublicationORIGINALTrabajo de grado - pdf.pdfTrabajo de grado - pdf.pdfapplication/pdf2657245https://repositorio.unibague.edu.co/bitstreams/10e1865a-ce90-43b0-95e9-892919192cce/download49dff8a2af781bdcfb85b5199c9012d5MD51Anexos.zipAnexos.zipapplication/zip1563931https://repositorio.unibague.edu.co/bitstreams/1dad19de-562d-4773-be99-b5403cd34223/downloadf5639217c84a08fcd7311dc8de18bc9bMD53Formato de autorización .pdfFormato de autorización .pdfapplication/pdf154491https://repositorio.unibague.edu.co/bitstreams/221426b9-8184-4397-9c14-51dcab4a53ea/download0f327013bb9ff6f8b8f8f42c039a9bfeMD52LICENSElicense.txtlicense.txttext/plain; charset=utf-8134https://repositorio.unibague.edu.co/bitstreams/f27d0789-aa60-46f1-95b5-a45c4689e339/download2fa3e590786b9c0f3ceba1b9656b7ac3MD54TEXTTrabajo de grado - pdf.pdf.txtTrabajo de grado - pdf.pdf.txtExtracted texttext/plain93588https://repositorio.unibague.edu.co/bitstreams/5692854e-e875-4766-be90-28b4d7d69dcc/download53d60ca324eed934d2b208da1833471aMD59Formato de autorización .pdf.txtFormato de autorización .pdf.txtExtracted texttext/plain3842https://repositorio.unibague.edu.co/bitstreams/631c1cec-d819-4ad0-9d5f-f6e3c060e95e/download10dedbb7e9de39b8f60df242e4d73ec1MD511THUMBNAILTrabajo de grado - pdf.pdf.jpgTrabajo de grado - pdf.pdf.jpgIM Thumbnailimage/jpeg10452https://repositorio.unibague.edu.co/bitstreams/1c89b84b-2010-4f10-ad3c-1904965fa373/download71673cda9f49c064b025c2ca29e997c6MD510Formato de autorización .pdf.jpgFormato de autorización .pdf.jpgIM Thumbnailimage/jpeg22802https://repositorio.unibague.edu.co/bitstreams/53343e77-fec8-4ba0-96e2-acfaccfcde15/download42a5bd7b5fbf744099286f189d4755d9MD51220.500.12313/4915oai:repositorio.unibague.edu.co:20.500.12313/49152025-08-13 01:16:41.833https://creativecommons.org/licenses/by-nc/4.0/https://repositorio.unibague.edu.coRepositorio Institucional Universidad de Ibaguébdigital@metabiblioteca.comQ3JlYXRpdmUgQ29tbW9ucyBBdHRyaWJ1dGlvbi1Ob25Db21tZXJjaWFsLU5vRGVyaXZhdGl2ZXMgNC4wIEludGVybmF0aW9uYWwgTGljZW5zZQ0KaHR0cHM6Ly9jcmVhdGl2ZWNvbW1vbnMub3JnL2xpY2Vuc2VzL2J5LW5jLW5kLzQuMC8=

Publicaciones similares