Clasificación de Plantas Medicinales en Tiempo Real Mediante la Utilización de Inteligencia Artificial en Huertos del Cantón Camilo Ponce Enríquez
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.
Descargas
Citas
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 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
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
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
Derechos de autor 2024 Galo Fabian Salinas Matamoros, Jose Julian Coronel Reyes, Leonor Margarita Rivera Intriago
Esta obra está bajo licencia internacional Creative Commons Reconocimiento 4.0.
.jpg)
.png)
