Reconocimiento de flores endémicas de la región de Misantla a través de una red neuronal convolucional usando aprendizaje por transferencia
Resumen
Las redes neuronales convolucionales (CNN) extraen características relevantes de imágenes para clasificarlas y asignarlas a categorías predefinidas. Se emplena en áreas como la medicina, la seguridad, tranporte, sector agrícola, entre otras. En esta investigación se propone desarrollar una aplicación móvil que identifique de manera automática flores endémicas de la región de Misantla mediante estrategias de aprendizaje por transferencia de redes neuronales convolucionales (CNN). Este trabajo es de gran importancia principalmente para el sector turístico y educación básica de esta región del estado de Veracruz. Se reutiliza una duente de datos (dataset) de flores denominada Flowers Dataset de la plataforma en línea Kaggle y se complementan con imágenes de flores de la región. para que puedan ayudarnos a cumplir con los objetivos de este trabajo de investigación. Los resultados muestran que el modelo obtiene una exactitud variable dependiendo de ciertos elementos que influyen en la calidad de la imagen principalmente condiciones ambientales, algunas pruebas alcanzaron el 88 por ciento como mínimo y el 99 porciento como máximo.
Descargas
Citas
Campos-Leal, Juan A & Vega-López, Inés & Beltrán-Gutiérrez, Gerardo & López Arellano, José & Rendón, Arturo. (2023). La inteligencia artificial como apoyo en la identificación de especies de plantas.
Gavai, N.R., Jakhade, Y.A., Tribhuvan, S.A., & Bhattad, R. (2017). MobileNets for flower classification using TensorFlow. 2017 International Conference on Big Data, IoT and Data Science (BID), 154-158. https://doi.org/10.1109/BID.2017.8336590
Gogul, I., & Kumar, V. S. (2017). Flower species recognition system using convolution neural networks and transfer learning. 2017 Fourth International Conference on Signal Processing, Communication and Networking (ICSCN). doi:10.1109/icscn.2017.8085675.
H. S. Abdullahi et al. (2017). "Convolution neural network in precision agriculture for plant image recognition and classification". 2017 Seventh International Conference on Innovative Computing Technology (INTECH), Luton, UK, pp. 1-3, doi: 10.1109/INTECH.2017.8102436.
Khaoula Labrighli, Chouaib Moujahdi, Jalal El Oualidi and Laila Rhazi, “Artificial Intelligence for Automated Plant Species Identification: A Review” International Journal of Advanced Computer Science and Applications (IJACSA), 13(10), 2022.
http://dx.doi.org/10.14569/IJACSA.2022.0131097
Maria-Elena Nilsback and Andrew Zisserman (2008). Automated Flower Classification over a Large Number of Classes. Indian Conference on Computer Vision, Graphics and Image Processing. https://www.robots.ox.ac.uk/~vgg/publications/2008/Nilsback08/nilsback08.pdf
Morales, V. A., Rodríguez, L. A., Ortega, L. & Mejía, J. M. (2016). Aplicación móvil para la identificación de plantas semidesérticas ubicadas en el norte del estado de Chihuahua. Tesis de Licenciatura. Universidad Autónoma de Ciudad Juárez. http://hdl.handle.net/20.500.11961/2885.
Muñoz Villalobos, I., & Bolt, A. (2022). Diseño y desa rrollo de aplicación móvil para la clasificación de flora nativa chilena utilizando redes neuronales convolucionales. AtoZ: novas práticas em informação e conhecimento, 11, 1 - 13. doi: http://dx.doi.org/10.5380/atoz.v11i0.81419
Sparsh Gupta (2020). Flowers Dataset. [Dataset]. https://www.kaggle.com/datasets/imsparsh/flowers-dataset/data
Savakar, D. G., & Anami, B. S. (2009). Recognition and Classification of Food Grains, Fruits and Flowers Using Machine Vision. International Journal of Food Engineering, 5(4). doi:10.2202/1556-3758.1673.
Teachable Machine (2017). Prepara a un ordenador para que reconozca tus imágenes, sonidos y posturas. Recuperado en 04 de agosto de 2023 de https://teachablemachine.withgoogle.com/.
T. Saitoh and T. Kaneko, "Automatic recognition of wild flowers," Proceedings 15th International Conference on Pattern Recognition. ICPR-2000, Barcelona, Spain, 2000, pp. 507-510 vol.2, doi: 10.1109/ICPR.2000.906123.
Rivera Ayala, A. (2024). Aula a Media Luz en Preescolar, La Integración y Desarrollo Armónico de un Menor con Retinopatía del Prematuro . Estudios Y Perspectivas Revista Científica Y Académica , 4(1), 1929–1951. https://doi.org/10.61384/r.c.a.v4i1.158
Freire Ramos, E. del R., Jaya Velaño, W. L., Flores Andrade, M. F., Soto Cuzco, J. P., Matute Macías, P. A., & Jijón Andrade, M. C. (2024). Quiste de colédoco en paciente pediátrico: Reporte de caso. Revista Científica De Salud Y Desarrollo Humano, 5(1), 28–45. https://doi.org/10.61368/r.s.d.h.v5i1.73
Castellanos Villarruel, M. S., Cuevas Rodríguez, E., & Guzmán Mares, L. (2024). El Mercado Laboral del Adulto Mayor: Análisis de sus Vulnerabilidades. Emergentes - Revista Científica, 4(1), 424–451. https://doi.org/10.60112/erc.v4i1.122
González, M. (2023). Emotions and Academic Performance in Primary School: A Study in Zacatecas. Revista Veritas De Difusão Científica, 4(1), 01–17. https://doi.org/10.61616/rvdc.v4i1.34
Fernández C., F. (2024). Determinación De Erodabilidad En Áreas De Influencia Cuenca Poopo Región Andina De Bolivia. Horizonte Académico, 4(4), 63–78. Recuperado a partir de https://horizonteacademico.org/index.php/horizonte/article/view/19
Medina Nolasco, E. K., Mendoza Buleje, E. R., Vilca Apaza, G. R., Mamani Fernández, N. N., & Alfaro Campos, K. (2024). Tamizaje de cáncer de cuello uterino en mujeres de una región Andina del Perú. Arandu UTIC, 11(1), 50–63. https://doi.org/10.69639/arandu.v11i1.177
Da Silva Santos , F., & López Vargas , R. (2020). Efecto del Estrés en la Función Inmune en Pacientes con Enfermedades Autoinmunes: una Revisión de Estudios Latinoamericanos. Revista Científica De Salud Y Desarrollo Humano, 1(1), 46–59. https://doi.org/10.61368/r.s.d.h.v1i1.9
Vega-López, Inés & Vega-Aviña, Rito & Delgado-Vargas, Francisco & Zuriel, Ernesto & Morales-Casas, & Díaz-Gaxiola, Eduardo & Campos-Leal, Juan A & Berger-Castro, José & Beltrán-Gutiérrez, Gerardo & Rendón, Arturo. (2023). Identificación de especies de plantas de la flora mexicana utilizando aprendizaje por transferencia a través de Inception-v4. 14. 22-37.
V.D. Prasad, M., JwalaLakshmamma, B., Hari Chandana, A., Komali, K., V.N. Manoja, M., Rajesh Kumar, P., Raghava Prasad, C., Inthiyaz, S., & Sasi Kiran, P. (2017). An efficient classification of flower images with convolutional neural networks. International Journal of Engineering & Technology, 7(1.1), 384-391. https://doi.org/10.14419/ijet.v7i1.1.9857.
Wu, Y., Qin, X., Pan, Y., & Yuan, C. (2018).Convolution Neural Network based Transfer Learning for Classification of Flowers. 2018 IEEE 3rd International Conference on Signal and Image Processing (ICSIP). doi:10.1109/siprocess.2018.8600536.
Yang, C. C., Prasher, S. O., Landry, J. A., & DiTommaso, A. (2000). Application of artificial neural networks in image recognition and classification of crop and weeds. Canadian agricultural engineering, 42(3), 147-152. https://library.csbe-scgab.ca/docs/journal/42/42_3_147_raw.pdf.
Y. Liu, F. Tang, D. Zhou, Y. Meng and W. Dong, "Flower classification via convolutional neural network," 2016 IEEE International Conference on Functional-Structural Plant Growth Modeling, Simulation, Visualization and Applications (FSPMA), Qingdao, China, 2016, pp. 110-116, doi: 10.1109/FSPMA.2016.7818296.
Derechos de autor 2024 Galdino Martínez Flores , Irahan Otoniel José Guzmán, Guadalupe Guendulay Escalante, Adrian Basilio López
Esta obra está bajo licencia internacional Creative Commons Reconocimiento 4.0.
.png)
.png)
1.png)
