pág. 4161
CLASIFICACIÓN DE PLANTAS
MEDICINALES EN TIEMPO REAL MEDIANTE
LA UTILIZACIÓN DE INTELIGENCIA
ARTIFICIAL EN HUERTOS DEL CANTÓN
CAMILO
PONCE ENRÍQUEZ
REAL-TIME CLASSIFICATION OF MEDICINAL PLANTS
THROUGH THE USE OF ARTIFICIAL INTELLIGENCE IN THE
ORCHARDS OF CANTON CAMILO PONCE ENRÍQUEZ
Galo Fabian Salinas Matamoros
Universidad Técnica de Machala - Ecuador
Jose Julian Coronel Reyes
Instituto Tecnológico Superior España - Ecuador
Leonor Margarita Rivera-Intriago
Universidad Técnica de Machala - Ecuador
pág. 4162
DOI: https://doi.org/10.37811/cl_rcm.v8i4.12640
Clasificación de Plantas Medicinales en Tiempo Real Mediante la
Utilización de Inteligencia Artificial en Huertos del Cantón Camilo
Ponce Enríquez
Galo Fabian Salinas Matamoros
1
gsalinas5@utmachala.edu.ec
https://orcid.org/0000-0001-7242-1152
Universidad Técnica de Machala
Ecuador
Jose Julian Coronel Reyes
jose.coronel@iste.edu.ec
https://orcid.org/0000-0002-7883-5388
Instituto Tecnológico Superior España
Ecuador
Leonor Margarita Rivera Intriago
lrivera@utmachala.edu.ec
https://orcid.org/0000-0002-9407-1525
Universidad Técnica de Machala
Ecuador
RESUMEN
Las plantas son esenciales para la vida humana. Ayudan a respirar, proporcionan alimentos, ropa,
medicinas y combustible, y también protegen el medio ambiente. Este estudio, pretende clasificar
plantas medicinales a partir de un banco de imágenes, haciendo uso del aprendizaje automático. Se
dispuso de una base de datos de 1.513 plantas de 7 especies entre ellas Llantén (230), Toronjil (250),
Stevia (222), Violeta (218), Dulcamara (245), Geranio (198) y Sábila (150) que contienen 7 variables
morfológicas de forma. Para el análisis de estas variables, se crearon modelos de clasificación de
Regresión Logística (RL), Máquina de Vectores de Apoyo (SVM), Árbol de decisión (AD) y k Vecino
Más Cercano (k-NN) con validación cruzada de 5 veces y se compararon métricas de rendimiento. Se
determinaron tasas generales de clasificación correcta en 95,55%; 93,12 %; 91,39% y 89,12% para RL,
MSV, AD, y k-NN, respectivamente. El modelo de clasificación RL, que tiene los resultados de
precisión más altos, ha clasificado de las plantas medicinales de llantén, toronjil, Stevia, Violeta,
dulcamara, geranio y sábila con 96,63%; 93,85%; 91,14% y 88,36%, respectivamente. Con base en los
valores de medición del rendimiento obtenido, es posible decir que el estudio logró el éxito en la
clasificación de especies de plantas medicinales.
Palabras claves: imágenes de plantas medicinales, aprendizaje automático, matriz de confusión,
métricas de rendimiento
1
Autor principal
Correspondencia: gsalinas5@utmachala.edu.ec
pág. 4163
Real-time Classification of Medicinal Plants Through the use of Artificial
Intelligence in the Orchards of Canton Camilo Ponce Enríquez
ABSTRACT
Plants are essential to human life. They help to breathe, provide food, clothing, medicine and fuel, and
also protect the environment. This study, aims to classify medicinal plants from an image bank, making
use of machine learning. A database of 1,513 plants of 7 species including Llantén (230), Toronjil (250),
Stevia (222), Violet (218), Dulcamara (245), Geranium (198) and Aloe (150) containing 7
morphological shape variables was available. For the analysis of these variables, Logistic Regression
(LR), Support Vector Machine (SVM), Decision Tree (DT) and k Nearest Neighbor (k-NN)
classification models were created with 5-fold cross-validation and performance metrics were
compared. Overall correct classification rates were determined to be 95,55%; 93,12%; 91.39%, and
89,12% for RL, MSV, AD, and k-NN, respectively. The RL classification model, which has the highest
accuracy results, classified of the medicinal plants of plantain, lemon balm, Stevia, Violet, dulcamara,
geranium, and aloe with 96,63%; 93,85%; 91,14%; and 88,36%, respectively. Based on the performance
measurement values obtained, it is possible to say that the study was successful in the classification of
medicinal plant species.
Keywords: medicinal plant imaging, machine learning, confusion matrix, performance metrics
Artículo recibido 20 julio 2024
Aceptado para publicación: 10 agosto 2024
pág. 4164
INTRODUCCIÓN
Las plantas medicinales han sido utilizadas desde épocas remotas para el tratamiento de numerosas
enfermedades. Desde los inicios de la civilización, han ayudado al hombre ofreciendo distintos tipos de
medicinas capaces de curar ciertas dolencias gracias a sus compuestos naturales. El conocimiento sobre
las plantas medicinales y sus propiedades se ha ido transmitiendo en las distintas culturas y a sus
generaciones, a través del tiempo (Aguaiza Quizhpilema et al., 2021).
Ecuador es rico en una gran biodiversidad de especies vegetales medicinales, su identificación se
determina por características físicas: como el tamaño, color, textura, así como por el sabor y aroma, de
tal manera existen muchas plantas medicinales que se tornan dificultosas en el momento de ser
reconocidas (Pisco Acebo, 2020).
Por lo tanto, es de gran utilidad una herramienta rápida y precisa que pueda clasificar las plantas
medicinales a bajo costo y ampliamente estandarizado. En este sentido, la IA es una herramienta
informática muy valiosa, sus técnicas son cada vez más utilizadas en diversos campos y además
permiten crear sistemas que imiten un comportamiento inteligente (Ramón Fernández, 2020).
Machine Learning (ML) es una aplicación de inteligencia artificial (IA) que proporciona a los sistemas
la capacidad de aprender y mejorar automáticamente a partir de la experiencia sin estar programados
explícitamente (Jiménez, 2021). Un recurso sorprendente para Machine Learning es una herramienta
GUI basada en la web para crear modelos de clasificación de aprendizaje automático personalizado sin
experiencia técnica especializada como es, Teachable Machine (Carney et al., 2020).
A partir del análisis de un conjunto de datos de entrenamiento conocido, el algoritmo de aprendizaje
automático supervisado produce una función inferida para hacer predicciones sobre los valores de
salida. El sistema puede proporcionar objetivos para cualquier entrada nueva después de una
capacitación suficiente (Rodríguez & Camacho, 2018).
Además, se han aplicado algoritmos para la evaluación de la calidad de los alimentos, incluida la carne
de atún, cerdo y salmón (Chen et al., 2021), análisis y clasificación plantas acuáticas (Rodríguez
Garlito, 2023). La combinación de técnicas estadísticas multivariantes se ha convertido en una poderosa
herramienta para hacer frente a diversos problemas en el sector botánico, jardines, viveros, y los que se
dedican a la compra-venta de estas especies vegetales.
pág. 4165
Recientemente se han publicado trabajos que utilizan algoritmos para clasificar variedades de plantas
medicinales, estudios comparativos con algoritmos de aprendizaje automático en base a la
identificación de plantas ornamentales (Ortiz, 2023). Otra investigación logro desarrollar un sistema de
visión artificial para la detección de hongos en plantas de cannabis medicinal mediante redes neuronales
en ambientes controlados (Alvarez Acosta, 2021). Otra investigación de técnicas de aprendizaje de
máquinas, usadas en el reconocimiento de especies vegetales (Molina Cajas & Salazar Segovia, 2022).
(Pinto Armijos, 2023) desarrollo y diseñó un prototipo para la identificación de colores de semáforos
vehiculares mediante la herramienta Teachable Machine de Google. (Juanazo Arriaga & Lambogglia
Yar, 2024) Diseñaron e implementaron un sistema de reconocimiento facial mediante P5.JS y Teachable
Machine para la apertura de una puerta.
Con este propósito el objetivo general de esta investigación es: clasificar plantas medicinales a partir
de un banco de imágenes, haciendo uso de Inteligencia Artificial, y como objetivos específicos: utilizar
una aplicación Web Teachable Machine para la clasificación de imágenes de plantas medicinales, y,
evaluar el modelo construido y determinar si cumple con los objetivos de la investigación.
MATERIALES Y MÉTODOS
El presente estudio se desarrolló en la provincia del Azuay, ubicada en el litoral sur del Ecuador,
centrando la investigación en Huertos del cantón Camilo Ponce Enríquez.
La metodología utilizada es CRIP – DM (Cross-Industry Standard Process for Data Mining) es una
metodología estándar utilizada para la minería de datos, un proceso que implica descubrir patrones y
conocimientos útiles a partir de grandes conjuntos de datos (Espinosa-Zúñiga, 2020).
Esta metodología es un enfoque estructurado en seis fases para la minería de datos, de las cuales
utilizaremos solo cuatro que se describen a continuación: Adquisición de imágenes, extracción de
características morfológicas de forma, entrenamiento del modelo e Interpretación de resultados, y,
Evaluación del modelo.
El objetivo de este estudio es extraer características morfológicas, características de forma obteniendo
imágenes de 7 especies de plantas medicinales. También se trata de realizar operaciones de clasificación
de las características obtenidas utilizando diversas técnicas de inteligencia artificial.
pág. 4166
Adquisición de imágenes
La cámara utilizada para el estudio tiene 12 megapíxeles, resolución de 2048 × 1088 y resolución
completa a una frecuencia de imagen máxima de 53,7 fps. Dispone de funciones como el balance de
blancos y la corrección de contraluz.
La cámara utilizada en el estudio se colocó en una caja cerrada con un dispositivo de iluminación en su
interior y una estructura para evitar la recepción de luz del entorno exterior. El color de fondo de la caja
se seleccionó como blanco para facilitar el procesamiento de la imagen. El tamaño de la caja se diseñó
de forma que se pudieran capturar imágenes de un área de 14 cm de ancho y 18 cm de largo. La altura
de la cámara se fijó a 15 cm.
Procesamiento de imágenes en Teachable Machine
Para realizar las operaciones de extracción de características y clasificación de la forma más precisa
durante la fase de procesamiento de imágenes, se describieron las operaciones de preprocesamiento
relacionadas con las imágenes. El procesamiento de imágenes se llevó a cabo con ayuda de la aplicación
Teachable Machine.
Las imágenes tomadas de la cámara se convirtieron principalmente en imágenes en escala de grises. A
continuación, se convirtieron en una imagen binaria utilizando el nivel de umbral global de la imagen
en escala de grises con la ayuda del método otsu. Los objetos no deseados en las imágenes binarias
resultantes se han eliminado y preparado para la etapa de extracción de características aplicando el
proceso abierto.
Figura 1. Clasificación mediante imágenes de plantas medicinales
pág. 4167
Extracción de características morfológicas de forma
Tras la etapa de procesamiento de imágenes, se obtuvieron imágenes que contenían plantas
ornamentales separadas. Se extrajeron una serie de características que describían cada hoja. Las
características de forma se determinaron mediante el análisis de características. Las características
relacionadas con la geometría se obtuvieron con el software Matlab a partir de imágenes binarias. En
total, se obtuvieron 7 características de forma para cada hoja (área, perímetro, longitud del eje mayor y
menor, excentricidad, área convexa, y extensión). Los valores de todas las características se expresan
en número de píxeles.
Conjunto de datos de características de plantas medicinales.
En esta investigación se utilizaron siete tipos especies de plantas medicinales (llantén, toronjil, stevia,
violeta, dulcamara, geranio, y, sábila), teniendo en cuenta las características por su forma.
Tabla 1. Distribución de plantas de medicinales por especie
N°
Variedad
Total de hojas
1
Llantén
230
2
Toronjil
250
3
Stevia
222
4
Violeta
218
5
Dulcamara
245
6
Geranio
198
7
Sábila
150
Total
1.513
Partición de datos
Una vez que fueron procesadas las imágenes en el software Teachable Machine, se descargó el conjunto
de datos y se dividió mediante una técnica de validación cruzada repetida de 5 veces para obtener
subconjuntos de entrenamiento y prueba para la evaluación del modelo. Para este análisis se utilizó el
lenguaje de programación Matlab y sus librerías.
Las medidas de rendimiento del modelo deben evaluarse en un conjunto de datos nuevos que no se
hayan utilizado para entrenar el modelo. Un buen modelo debe ser capaz de realizar estimaciones
precisas en estos datos de prueba.
La validación cruzada es una técnica común aplicada en el aprendizaje automático para maximizar el
uso de los datos disponibles. En esta técnica, el conjunto de datos se divide aleatoriamente en múltiples
pág. 4168
subconjuntos para entrenar y probar el modelo. La validación cruzada se utiliza para evitar el
sobreajuste del modelo (Schaffer, 1993).
Para la obtención de los promedios al conjunto de datos se lo dividió en cinco particiones (k-folds). Se
realizó un bucle a través de las 5 particiones. En cada iteración, una de las particiones se utilizó como
conjunto de prueba, mientras que las otras cuatro se utilizaron como conjunto de entrenamiento (King
et al., 2021). Para cada fold se entrenó los cuatro modelos utilizando el conjunto de entrenamiento
asociado. Se evaluó el rendimiento de cada modelo en el conjunto de prueba, calculando las métricas
de interés para cada fold.
Esto generó un conjunto de valores de métricas para cada modelo. Después de completar las cinco
iteraciones, finalmente se calculó el promedio de cada métrica de rendimiento para cada modelo.
Los conjuntos de entrenamiento y prueba se cambiaron hasta que se probaron todos los pliegues
(Coronel-Reyes et al., 2018). La partición de datos para cada pliegue dividió aleatoriamente el conjunto
de datos, teniendo 1.210 muestras (80%) y 303 muestras (20%) para la prueba.
Métricas de Rendimientos
La creación de un nuevo modelo necesario para los problemas de clasificación o la utilización de
modelos existentes y el éxito obtenido con este modelo se calculó en función del número de
estimaciones precisas. Esto afecta más a la precisión de la clasificación que a la estimación de si el
modelo es bueno o no. Por lo tanto, la matriz de confusión se utiliza para explicar las evaluaciones
predictivas de la clasificación (de Castro et al., 2007).
Es la matriz de confusión la que proporciona información sobre las clases reales con las clases predichas
realizadas por un modelo de clasificación sobre datos de prueba. En la Tabla 2 se da la matriz de
confusión utilizada en la clasificación de plantas medicinales.
Tabla 2. Matriz de confusión y representación para clases múltiples
Predicted
…
C
1
C
2
C
3
C
n
Actual
C
1
T
1
F12
F13
…
F1n
C
2
F21
T
2
F23
…
F2n
C
3
F31
F32
T
3
…
F3n
…
…
…
…
…
…
C
n
Fn1
Fn2
Fn3
…
T
n
pág. 4169
Este estudio empleó métricas de evaluación para valorar el rendimiento del método propuesto: accuracy,
Error Rate, Precision, Recall y F1-Score. Los valores de estos parámetros se determinaron utilizando la
matriz de confusión multiclase. Los datos de entrenamiento y de prueba se separaron mediante
validación cruzada con un valor k-fold de 5. Los parámetros de evaluación se calcularon utilizando (1)-
(5) (Puspitasari et al., 2023):



 (1)



 (2)



 (3)



 (4)
 


 (5)
Desarrollo de modelos
Regresión Logística (RL)
Es uno de los modelos estadísticos más utilizados. La variable dependiente en la RL se estima a partir
de una o más variables. La RL aclara la relación entre las variables dependientes y las independientes
(Cayambe Cajo, 2022). En LR no es necesario que las variables requieran una distribución normal.
Dado que los valores predichos en LR son probabilidades, LR está acotado por 0 y 1. La razón de esto
es que LR predice probabilidad en lugar de sí mismo en los resultados (Martínez et al., 2010).
Máquina Soporte Vectorial (MSV)
En los modelos MVS se utilizan diferentes funciones de núcleo. En este estudio, la clasificación se
realizó utilizando la función de núcleo polinómico.
El objetivo del algoritmo MVS es encontrar un hiperplano que separe el conjunto de datos en un número
predefinido y discreto de clases que sean las más consistentes con los ejemplos de entrenamiento
(Arjona et al., 2018). El término separación óptima del hiperplano se refiere a la frontera de decisión
que minimiza las clasificaciones erróneas durante el paso de entrenamiento.
pág. 4170
Árbol de decisión (AD)
AD es un clasificador compuesto por múltiples AD. Para realizar una nueva clasificación, cada DT
proporciona una clasificación para las entradas. Después, AD evalúa las clasificaciones y selecciona la
estimación que tiene más votos.
La AD tiene la capacidad de gestionar un gran número de variables en un conjunto de datos. También
tiene bastante éxito en la predicción de datos incompletos. El mayor inconveniente de la AD es su falta
de repetibilidad. Además, el modelo final y los resultados posteriores son difíciles de interpretar
(Borrero Becerra & Diaz Molano, 2016).
K-Nearest Neighbor (k-NN)
El método k-NN es un algoritmo de aprendizaje no paramétrico. k-NN utiliza la distancia euclidiana
como parámetro en nombre de la clasificación del conjunto de datos, donde K representa el número de
vecinos, para calcular la distancia entre los datos (Gonzalez-Cortés, 2019).
La k-NN está pensada para clasificar datos de muestra cuya clase es desconocida. Por esta razón, la
distancia a los datos de muestra se calcula con el conjunto de datos preclasificados en el conjunto de
entrenamiento. Dado que hay una cierta cantidad de datos a probar, los datos de prueba se procesan con
todos los datos existentes individualmente (Durand Tarrillo & Abanto Robles, 2021).
RESULTADOS Y DISCUSIÓN
El método de clasificación de plantas se desarrolló para determinar siete tipos de variedades: Llantén,
Toronjil, Stevia, Violeta, Dulcamara, Geranio, y, Sábila; por lo tanto, el número total de datos es de
1.513 hojas de plantas medicinales.
Se aplicaron los diferentes modelos de aprendizaje automático partiendo de la matriz de confusión para
explicar las evaluaciones predictivas de la clasificación de la planta.
Tabla 3. Matriz de confusión de los algoritmos utilizados (a) RL, (b) MSV, (c) (AD) y (d) k-NN,
Actual
Predict
llantén
toronjil
Stevia
Violeta
dulcamara
geranio
sábila
Llantén
221
1
2
1
2
1
1
Toronjil
1
241
0
0
1
2
0
Stevia
0
2
216
1
2
1
2
Violeta
1
1
1
212
2
3
0
Dulcamara
3
0
1
1
239
3
0
Geranio
0
3
1
1
1
190
1
Sábila
2
1
0
2
2
1
143
(a)
pág. 4171
Actual
Predict
llantén
toronjil
Stevia
Violeta
dulcamara
geranio
sábila
Llantén
218
3
2
1
2
1
4
Toronjil
1
235
4
3
1
2
3
Stevia
3
2
210
1
2
1
2
Violeta
1
1
1
209
2
3
3
Dulcamara
3
4
4
1
230
3
3
Geranio
5
3
1
3
1
181
1
Sábila
2
1
4
2
2
1
137
(b)
Actual
Predict
llantén
toronjil
Stevia
Violeta
dulcamara
geranio
sábila
Llantén
210
3
2
5
2
4
4
Toronjil
5
225
4
3
4
2
3
Stevia
3
2
208
5
2
4
2
Violeta
4
3
5
204
2
5
3
Dulcamara
3
4
4
4
226
3
3
Geranio
5
3
6
3
2
175
1
Sábila
2
1
4
2
2
1
131
(c)
Actual
Predict
llantén
toronjil
Stevia
Violeta
dulcamara
geranio
sábila
Llantén
209
4
3
5
2
4
4
Toronjil
5
220
6
3
4
2
5
Stevia
4
6
204
5
5
4
2
Violeta
4
3
5
198
6
5
5
Dulcamara
3
4
4
4
218
3
4
Geranio
5
3
6
3
2
164
6
Sábila
2
6
4
2
7
7
124
(d)
Esta matriz proporcionó información sobre las clases reales con las clases estimadas realizadas a través
de un modelo de clasificación basado en los datos de la prueba. En función de los resultados, se
clasificaron correctamente 1.462 hojas del algoritmo RL, 1.420 hojas del algoritmo MSV, 1.379 hojas
del algoritmo AD y 1.337 hojas del algoritmo k-NN, el algoritmo RL lideró en esta categoría. El modelo
pág. 4172
de clasificación RL, que tiene los resultados de precisión más altos, ha clasificado las especies de
Llantén, Toronjil, Stevia, Violeta, Dulcamara, Geranio y Sábila con 96,63%, 93,85%, 91,14% y 88,37%,
respectivamente.
En el contexto de la clasificación de plantas medicinales mediante métodos de aprendizaje automático,
las métricas de rendimiento son herramientas esenciales para evaluar la eficacia y la precisión de los
modelos. Para las métricas de rendimiento de la clasificación, se calcularon criterios de éxito como
Accuracy, Error Rate, Recall, Precision, F1-Score. Los resultados de la evaluación del método
desarrollado a partir de las características morfológicas de forma se resumen en la Tablas 4,
respectivamente.
Tabla 4. Medidas de rendimiento promedio de los modelos utilizados
Measure
RL
MSV
AD
k-NN
Accuracy (%)
95,55
93,12
91,39
89,12
Error Rate (%)
4,45
6,88
8.61
10,88
Recall (%)
95,89
93,26
92,32
90,37
Precision (%)
95,74
93,34
92,15
90,26
F1-Score (%)
95,12
93,10
92,70
90,30
Cuando se examina la Tabla 4, se observa que todos los modelos excepto el k-NN tienen éxito en la
clasificación con una tasa superior al 90%. El modelo RL presenta el mejor valor con un 95,55% de
accuracy. Además, el modelo de clasificación RL obtenido tiene los mejores valores para todas las
métricas de rendimiento calculadas. Se observa que el valor de Precisión, que es realmente positivo en
todos los clasificadores, determina la relación entre el número de los clasificados positivos y el de todos
los positivos, es proporcional a la accuracy.
Los hallazgos destacan que el modelo de LR demostró la mejor precisión y sensibilidad en comparación
con otros algoritmos evaluados. Esto sugiere que LR es eficaz en identificar correctamente instancias
de plantas medicinales, superando a otros modelos en esta categoría específica. Al examinar estudios
previos en la clasificación de plantas medicinales como el de (Kan et al., 2017), también identificó al
LR como un modelo eficaz para la clasificación de especies de plantas medicinales, con resultados
comparables en términos de precisión y sensibilidad. Sin embargo, es importante señalar que las
pág. 4173
métricas numéricas específicas pueden variar en comparación con otros estudios debido a diferencias
en conjuntos de datos, preprocesamiento y configuración experimental. Por ejemplo, (Dileep &
Pournami, 2019) informó resultados similares con los Vp pero obtuvo variaciones en los resultados al
priorizar Vn, lo cual destaca la sensibilidad de los resultados a diferentes condiciones experimentales.
En (Kaur & Singh, 2021), utilizando un algoritmo de Support Vector Machine para lograr el 95,8% de
exactitud. El tamaño de cada imagen es de 256 * 256 píxeles. En (Naeem et al., 2021), se introduce
una técnica de medición fractal para reconocer y ordenar las hojas de las plantas en función de la forma
de la hoja y el diseño de las venas. Utilizando 20 clasificadores de función k de vecino más cercano,
pueden lograr un alto ritmo de reconocimiento del 87,1%. La estrategia de medición fractal del volumen
se utiliza para producir algoritmos para la hoja y de investigación discriminante directa (LDA), marcas
de textura listas para vencer a la técnica convencional dependiente del filtro de Gabor y el examen de
Fourier.
Finalmente, el rendimiento de k-NN puede depender significativamente de la elección del parámetro k.
Valores de k demasiado pequeños pueden hacer que el modelo sea sensible a ruido, mientras que valores
demasiado grandes pueden reducir la capacidad del modelo para capturar patrones locales (Tiwari et al.,
2022). Los resultados del presente artículo respaldan la eficacia de LR en la clasificación de plantas
medicinales. La comparación con estudios anteriores destaca consistencias y variabilidades, subrayando
la importancia de considerar el contexto específico de la aplicación al seleccionar el modelo óptimo.
Para futuras investigaciones, se sugiere explorar estrategias adicionales de preprocesamiento de datos
o la aplicación de técnicas avanzadas de aprendizaje automático para mejorar aún más el rendimiento
del modelo en este desafiante problema de clasificación.
CONCLUSION
En el presente artículo, en lo que respecta a la clasificación de plantas medicinales, las características
de forma de las especies tienen rasgos externos distintivos, lo que hace que este proceso de clasificación
sea complejo. En este estudio, los resultados obtenidos a lo largo de la validación cruzada de 5 veces
muestran que la precisión de los modelos y las puntuaciones de rendimiento F1-Score se superponen.
Esto demuestra que la distribución de los datos es regular. Las mayores tasas de éxito en todas las
métricas indican que los modelos tienen éxito en la clasificación.
pág. 4174
La RL presentó el mejor rendimiento global en términos de precisión en la clasificación de plantas
medicinales. Esto le permite convertirse en una opción sólida y eficaz para esta investigación específica.
No obstante, la RL demostró ser particularmente eficaz en la identificación precisa de plantas
medicinales, liderando en la categoría TP. Esto es crucial para la aplicación práctica de la clasificación
correcta de las plantas medicinales: llantén, toronjil, stevia, violeta, dulcamara, geranio, y, sábila. La
RL es conocida por su capacidad para manejar conjuntos de datos complejos y no lineales. En el
contexto de la clasificación de las de plantas medicinales, donde las relaciones pueden ser no lineales,
la capacidad de la RL para encontrar límites de decisión óptimos es una ventaja práctica.
Dada su gran precisión y sensibilidad, la RL se perfila como la opción principal cuando es importante
una clasificación precisa de las plantas medicinales. Esto puede ser crucial en aplicaciones agrícolas o
industriales en las que se requiere una distinción clara entre distintos tipos de plantas medicinales. Al
aplicar la RL en un entorno práctico, es esencial tener en cuenta el contexto específico de la aplicación.
Evaluar factores como la interpretabilidad del modelo, la disponibilidad de recursos informáticos y el
afán de aplicación es fundamental para tomar decisiones informadas. Dado que el rendimiento del
modelo puede depender de las características específicas del conjunto de datos, se recomienda seguir
evaluando el rendimiento de la RL en entornos de producción, con ajustes o la consideración de otras
técnicas de aprendizaje automático.
REFERENCIAS BIBLIOGRAFICAS
Aguaiza Quizhpilema, J., Simbaina Solano, J. C., Aguaiza Quizhpilema, J., & Simbaina Solano, J. C.
(2021). Uso de plantas medicinales y conocimientos ancestrales en las comunidades rurales de
la provincia de Cañar, Ecuador. Revista CENIC Ciencias Biológicas, 52(3), 223-236.
http://scielo.sld.cu/scielo.php?script=sci_abstract&pid=S2221-
24502021000300223&lng=es&nrm=iso&tlng=es
Alvarez Acosta, O. E. (2021). Desarrollo de un sistema de visión artificial para la detección de hongos
en plantas de cannabis medicinal mediante redes neuronales en ambientes controlados.
http://repositoriodspace.unipamplona.edu.co/jspui/handle/20.500.12744/5316
Arjona, M. A. C., Canul, G. P. P., & Canché, M. J. U. (2018). U le’ ts’aak: Una propuesta de prototipo
de aplicación móvil para el reconocimiento y ubicación de plantas medicinales en el Estado de
pág. 4175
Yucatán: U le’ ts’aak: a prototype proposal of a mobile application for the recognition and
location of medicinal plants in the State of Yucatán. Tecnología Educativa Revista CONAIC,
5(2), Article 2. https://doi.org/10.32671/terc.v5i2.72
Borrero Becerra, J. C., & Diaz Molano, C. A. (2016). Elaboración de Base de Datos de Fotografías de
Granos de Café Seco con Diferentes Defectos Físicos, Caracterizados con Métodos Estándar
de PDI y Clasificación. http://repository.udistrital.edu.co/handle/11349/3824
Carney, M., Webster, B., Alvarado, I., Phillips, K., Howell, N., Griffith, J., Jongejan, J., Pitaru, A., &
Chen, A. (2020). Teachable Machine: Approachable Web-Based Tool for Exploring Machine
Learning Classification. Extended Abstracts of the 2020 CHI Conference on Human Factors in
Computing Systems, 1-8. https://doi.org/10.1145/3334480.3382839
Cayambe Cajo, F. R. (2022). Clasificación automática de plantas monocotiledóneas y dicotiledóneas
usando minería de datos [bachelorThesis, Ecuador: Latacunga: Universidad Técnica de
Cotopaxi (UTC)]. http://localhost/handle/27000/9176
Chen, Z., Goh, H. S., Sin, K. L., Lim, K., Chung, N. K. H., & Liew, X. Y. (2021). Automated Agriculture
Commodity Price Prediction System with Machine Learning Techniques (arXiv:2106.12747).
arXiv. https://doi.org/10.48550/arXiv.2106.12747
Coronel-Reyes, J., Ramirez-Morales, I., Fernandez-Blanco, E., Rivero, D., & Pazos, A. (2018).
Determination of egg storage time at room temperature using a low-cost NIR spectrometer and
machine learning techniques. Computers and Electronics in Agriculture, 145, 1-10.
https://doi.org/10.1016/j.compag.2017.12.030
de Castro, A. I., Jurado-Expósito, M., & Peña-Barragán, J. M. (2007). DISCRIMINACIÓN DE MALAS
HIERBAS CRUCÍFERAS EN CULTIVOS DE INVIERNO PARA SU APLICACIÓN EN
AGRICULTURA DE PRECISIÓN.
Dileep, M. R., & Pournami, P. N. (2019). AyurLeaf: A Deep Learning Approach for Classification of
Medicinal Plants. TENCON 2019 - 2019 IEEE Region 10 Conference (TENCON), 321-325.
https://doi.org/10.1109/TENCON.2019.8929394
pág. 4176
Durand Tarrillo, A. G., & Abanto Robles, F. (2021). Comparación de técnicas de visión artificial para
detección del defecto del fruto del café. Repositorio Institucional - USS.
http://repositorio.uss.edu.pe//handle/20.500.12802/9070
Gonzalez-Cortés, A. (2019). Morfología de semillas de siete especies del género Opuntia (Cactaceae)
del sureste de Coahuila (México). Boletín de la Sociedad Argentina de Botánica, 54(4), 1-10.
http://www.scielo.org.ar/scielo.php?script=sci_abstract&pid=S1851-
23722019000400003&lng=es&nrm=iso&tlng=es
Jiménez, E. C. (2021). Introducción al Machine Learning con MATLAB. Marcombo.
Juanazo Arriaga, B. A., & Lambogglia Yar, M. X. (2024). Diseño e implementación de un sistema de
reconocimiento facial mediante P5.JS y Teachable Machine para la apertura de una puerta
[bachelorThesis]. http://dspace.ups.edu.ec/handle/123456789/27738
Kan, H. X., Jin, L., & Zhou, F. L. (2017). Classification of medicinal plant leaf image based on multi-
feature extraction. Pattern Recognition and Image Analysis, 27(3), 581-587.
https://doi.org/10.1134/S105466181703018X
Kaur, P. P., & Singh, S. (2021). Classification of Herbal Plant and Comparative Analysis of SVM and
KNN Classifier Models on the Leaf Features Using Machine Learning. En N. Marriwala, C. C.
Tripathi, S. Jain, & S. Mathapathi (Eds.), Soft Computing for Intelligent Systems (pp. 227-239).
Springer. https://doi.org/10.1007/978-981-16-1048-6_17
King, R. D., Orhobor, O. I., & Taylor, C. C. (2021). Cross-validation is safe to use. Nature Machine
Intelligence, 3(4), 276-276. https://doi.org/10.1038/s42256-021-00332-z
Martínez, M., Moschini, R., Barreto, D., Bodega, J., Forjan, H., Piatti, F., Presello, D., & Valentinuz,
O. (2010). Factores ambientales que afectan el contenido de fumonisina en granos de maíz.
Tropical Plant Pathology, 35, 277-284. https://doi.org/10.1590/S1982-56762010000500002
Molina Cajas, J. E., & Salazar Segovia, T. M. (2022). Revisión de técnicas de aprendizaje de máquinas,
usadas en el reconocimiento de especies vegetales [bachelorThesis, Ecuador: Latacunga:
Universidad Técnica de Cotopaxi (UTC)]. http://localhost/handle/27000/9183
pág. 4177
Naeem, S., Ali, A., Chesneau, C., Tahir, M. H., Jamal, F., Sherwani, R. A. K., & Ul Hassan, M. (2021).
The Classification of Medicinal Plant Leaves Based on Multispectral and Texture Feature Using
Machine Learning Approach. Agronomy, 11(2), Article 2.
https://doi.org/10.3390/agronomy11020263
Ortiz, D. J. B. (2023). Universidad Agraria Del Ecuador.
Pinto Armijos, E. R. (2023). Diseño e implementación de un prototipo para la identificación de colores
de las luces de los semáforos vehiculares mediante la herramienta Teachable Machine de
Google [bachelorThesis]. http://dspace.ups.edu.ec/handle/123456789/25682
Pisco Acebo, V. H. (2020). Inventario De Biodiversidad De Plantas Medicinales En La Parroquia La
Unión Del Cantón Jipijapa [bachelorThesis, Jipijapa.UNESUM].
http://repositorio.unesum.edu.ec/handle/53000/2391
Puspitasari, N., Septiarini, A., Hairah, U., Tejawati, A., & Sulastri, H. (2023). Betel leaf classification
using color-texture features and machine learning approach. Bulletin of Electrical Engineering
and Informatics, 12(5), Article 5. https://doi.org/10.11591/eei.v12i5.5101
Ramón Fernández, F. (2020). Inteligencia artificial y agricultura: Nuevos retos en el sector agrario.
Campo Jurídico (Online), 8(2), 123-139. https://doi.org/10.3749/revistacampjur.v8i2.662
Rodríguez Garlito, E. C. (2023). Desarrollo de nuevos métodos y algoritmos de análisis y clasificación
de imágenes multiespectrales orientadas a la gestión y monitorización de plantas acuáticas
invasoras [doctoralThesis].
https://dehesa.unex.es:8443/handle/10662/18325
Rodríguez Tapia, S., & Camacho-Cañamón, J. (2018). Los métodos de aprendizaje automático
supervisado en la clasificación textual según el grado de especialización.
http://helvia.uco.es/xmlui/handle/10396/17614
Schaffer, C. (1993). Selecting a classification method by cross-validation. Machine Learning, 13(1),
135-143. https://doi.org/10.1007/BF00993106
Tiwari, V., Joshi, R. C., & Dutta, M. K. (2022). Deep neural network for multi-class classification of
medicinal plant leaves. Expert Systems, 39(8), e13041. https://doi.org/10.1111/exsy.13041