Aprendizaje basado en coeficientes de fourier para la identificación de daño en plantas de cultivos

Resumen

El análisis de firmas espectrales es uno de los métodos de diagnóstico más utilizados para identificar enfermedades en las plantas. Con este fin, se deben considerar diferentes técnicas de adquisición de información para detectar los diferentes niveles de una enfermedades o plaga en particular, como en el caso de las enfermedades fúngicas. En este estudio, se consideraron plantas cucúrbitas en las cuales se identificaron tres etapas de niveles de una enfermedad fúngica que son las hojas en la etapa de germinación del hongo, hojas con primeros síntomas y hojas enfermas. Se utilizó una base de datos con firmas espectrales de hojas de calabacita. A continuación, se propone el análisis de frecuencia de las características espectrales utilizando la transformada de Fourier para extraer características de los coeficientes obtenidos y partir de bloques de clasificación con máquinas de vectores de soporte para la estimación del nivel de daño. Se demostraron precisiones de clasificación del 98.3%. Por lo tanto, este método se puede utilizar para diagnosticar el grado de daño en diferentes cultivos.

Palabras clave: firmas espectrales, extracción de características, vectores de características, Sinéctica en los procesos de enseñanza – aprendizaje de Educación Cultural y Artística en estudiantes de secundaria, desempeño

Descargas

La descarga de datos todavía no está disponible.

Citas

Bajwa, S., Rupe, J., & Mason, J. (2017). Soybean disease monitoring with leaf reflectance. Remote Sensing, 9, 127. https://doi.org/10.3390/rs9020127

Denstedt, M., Bjorgan, A., Milanic, M., & Randeberg, L.L. (2014). Wavelet based feature extraction and visualization in hyperspectral tissue characterization. Biomedical Optics Express, 5. https://doi.org/10.1364/BOE.5.004260

Feng, S., Duarte, M. F., & Parente, M. (2015). Universality of wavelet-based non-homogeneous hidden Markov chain model features for hyperspectral signatures. In 2015 IEEE Conference on Computer Vision and Pattern Recognition Workshops (CVPRW), 19-27. https://doi.org/10.1109/CVPRW.2015.7301379

Kempeneers, P., De Backer, S., Debruyn, W., Coppin, P., & Scheunders, P. (2005). Generic wavelet-based hyperspectral classification applied to vegetation stress

detection. IEEE Transactions on Geoscience and Remote Sensing, 43(3), 610-614. https://doi.org/10.1109/TGRS.2004.839545

Kumar, A. & Prema, P. (2015). A study on weed discrimination through wavelet transform, texture feature extraction and classification. International Journal of Computer Science and Information Technology, 7. https://doi.org/10.5121/ijcsit.2015.7304

Kuska, M. T., Bohnenkamp, D., Brugger, A., Alisaac, E., Wahabzada, M., Behmann, J., & Mahlein, A.K. (2018). Benefits of hyperspectral imaging for plant disease detection and plant protection: a technical perspective. Journal of Plant Diseases and Protection, 125(5), 5-20. https://doi.org/10.1007/s41348-017-0124-6

Leonarduzzi, R., Schlotthauer, G., & Torres, M.E. (2010). Wavelet leader based multifractal analysis of heart rate variability during myocardial ischaemia. IEEE

Engineering in Medicine and Biology Society, 2010, 110-123. https://doi.org/10.1109/IEMBS.2010.5626091

Li, T. & Zhou, M. (2016). Ecg classification using wavelet packet entropy and random forests. Entropy, 18, 285. https://doi.org/10.3390/e18080285

Luo, J., Huang, W., Zhao, J., Zhang, J., Zhao, C., & Ma, R. (2013). Detecting aphid density of winter wheat leaf using hyperspectral measurements. Selected Topics in Applied Earth Observations and Remote Sensing, IEEE Journal, 6, 690-698. https://doi.org/10.1109/JSTARS.2013.2248345

Raju, A., Veni, S., & Jagatheesan, A. (2021). Robust classification technique for hyperspectral images based on 3d-discrete wavelet transform. Remote Sensing, 13, 1255. https://doi.org/10.3390/rs13071255

Rivera-Romero, C. A., Palacios-Hernández, E. R., Morales-Saldaña, J. A., & Olivera-Reyna, R. (2021). Feature extraction of powdery mildew levels in cucurbits leaves using wavelet-based and Fourier transforms. In 2021 IEEE International Autumn Meeting on Power, Electronics and Computing (ROPEC), volume 5, 1-6. https://doi.org/10.1109/ROPEC53248.2021.9668078

Rivera-Romero, C. A., Palacios-Hernández, E. R., Trejo-Durán, M., Olivera-Reyna, R., &

Morales-Saldana, J.A. (2020). Visible and near-infrared spectroscopy for detection of powdery mildew in Cucurbita pepo L. leaves. 14(4), 1-19. https://doi.org/10.1117/1.JRS.14.044515

Rumpf, T., Mahlein, A.K., Steiner, U., Oerke, E.C., Dehne, H.W., & Pl¨umer, L. (2010). Early detection and classification of plant diseases with support vector machines based on hyperspectral reflectance. Computers and Electronics in Agriculture, 74(1), 91 - 99. https://doi.org/10.1016/j.compag.2010.06.009

West, T., Prasad, S., & Bruce, L.M. (2007). Multiclassifiers and decision fusion in the wavelet domain for exploitation of hyperspectral data. In 2007 IEEE International Geoscience and Remote Sensing Symposium, 4850-4853. https://doi.org/10.1109/IGARSS.2007.4423947

Publicado
2022-12-06
Cómo citar
Rivera-Romero, C. A., Olivera-Reyna, R., Muñoz Minjares, J. U., Navarrete-Sánchez, M. A., & Olivera-Reyna, R. (2022). Aprendizaje basado en coeficientes de fourier para la identificación de daño en plantas de cultivos. Ciencia Latina Revista Científica Multidisciplinar, 6(6), 2921-2936. https://doi.org/10.37811/cl_rcm.v6i6.3742
Sección
Artículos