Técnicas de aprendizaje supervisado para la detección y clasificación de enfermedades y defectos en imágenes de frutas: revisión

Autores/as

  • Maday Ynfante Martínez Universidad Agraria de La Habana, Cuba
  • Minelkis Machado Molina Universidad Agraria de La Habana, Cuba
  • Neili Machado García Universidad Agraria de La Habana, Cuba
  • Efraín Velasteguí López Universidad Técnica de Babahoyo

DOI:

https://doi.org/10.33262/rmc.v7i1.2330

Palabras clave:

detección de enfermedades y defectos, aprendizaje de máquina

Resumen

La Inteligencia Artificial es un campo de estudio que ha adquirido mucha popularidad hoy en día, producto a sus numerosas aplicaciones. Entre sus ramas se halla el aprendizaje automático o Machine Learning (ML), el cual se centra en inferir conocimientos mediante la aplicación de técnicas que permiten la extracción de información, a través de reconocimiento de patrones. Dentro del mismo se encuentra el Aprendizaje Supervisado, el cual permite realizar deducciones a partir de datos de entrenamiento. De ahí que ML, resulta aplicable en varias áreas de la investigación tales como: el reconocimiento de imágenes. Dicha área está siendo muy utilizada hoy en día en diversos sectores e industrias, tal es el caso de la Agricultura. En este sector la fruticultura ha adquirido una relevancia significativa para la economía de cualquier país. Cuba apuesta cada vez más al posicionamiento de sus productos en el mercado internacional. Teniendo en cuenta la gran demanda de frutas tales como: la fruta bomba y la guayaba, es necesario que estas estén bajo los estándares de calidad requeridos. Por lo que, la estrategia a seguir ha sido vincular la Inteligencia Artificial a los procesos que se llevan a cabo, en aras de disminuir el error humano. Para ello se realizó una revisión de las técnicas existentes más utilizadas en la detección y clasificación de enfermedades y defectos en diversas imágenes, con el fin de obtener un enfoque factible.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Suzuki, K. (2020). AI: A New Open Access Journal for Artificial Intelligence. doi:10.3390/ai1020007
Subasi, A. (2020). Practical Machine learning for Data Analysis Using Python. Academic Press is an imprint of Elsevier 125 London Wall, London EC2Y 5AS, United Kingdom 525 B Street, Suite 1650, San Diego, CA 92101, United States 50 Hampshire Street, 5th Floor, Cambridge, MA 02139, United States The Boulevard, Langford Lane, Kidlington, Oxford OX5 1GB, United Kingdom: Elsevier Inc. Retrieved from https://www.elsevier.com/books-and-journals
Sarker, I. H. (2021). Machine Learning: Algorithms, Real-World Applications and Research Directions | SpringerLink. Springer, (160). doi:https://doi.org/10.1007/s42979-021-00592-x
Roldán Ortega, B., Roshan Biswal, R., & Sánchez De la Cruz, E. (2019). Detección de enfermedades en el sector agrícola utilizando Inteligencia Artificial. Research in Computing Science, 9.
Rouhiainen, L. (2018). Inteligencia artificial 101 cosas que debes saber hoy sobre nuestro futuro. Palneta,S.A.

Behera, S. K., Jena, L., Rath, A. K., & Sethy, P. K. (2018). Disease Classification and Grading of Orange Using Machine Learning and Fuzzy Logic (pp. 0678–0682). IEEE. doi:10.1109/ICCSP.2018.8524415

B. S. Bennedsen D. L. Peterson, & A. Tabb. (2007). Identifying Apple Surface Defects Using Principal Components Analysis and Artificial Neural Networks. Transactions of the ASABE, 50(6), 2257–2265. doi:10.13031/2013.24078.

Makkar, T., Verma, S., Yogesh, & Dubey, A. K. (2018). Analysis and Detection of Fruit Defect Using Neural Network. Data Science and Analytics, 799, 554–567.

Sannakki, S. S., Rajpurohit, V. S., Nargund, V. B., & Arunkumar, R. (2013). Disease Identification and Grading of Pomegranate Leaves Using Image Processing and Fuzzy Logic. International Journal of Food Engineering, 9(4), 467–479. doi:10.1515/ijfe-2012-0241.
Perumal, P., Sellamuthu, K., Vanitha, K., & Manavalasundara, V. K. (2021). Guava Leaf Disease Classification Using Support Vector Machine | Turkish Journal of Computer and Mathematics Education (TURCOMAT). Turkish Journal of Computer and Mathematics Education, 12(7). doi:https://doi.org/10.17762/turcomat.v12i7.2728
Sangeetha, M., Sellammal, R., Sujitha, K., & Menaga, S. (2018). Detection and Classification of Apple Fruit Disease using K-NN Classification and GLCM Features. Indian Journal of Emerging Electronics in Computer Communications, 5.
Kaur, B., Sharma, T., Goyal, B., & Dogra, A. (2020). A Novel Citrus Canker Disease Detection Using GA And KNN Hybrid Model Based on Various Feature Descriptors. International Journal of Advance Science and Technology, 29(10S).
Iqbal Khan, A., Quadri, S., & Banday, S. (2020). Deep Learning for Apple Diseases: Classification and Identification. doi:10.1504/IJCISTUDIES.2021.10033513
Hossen, M. S., Haque, I., Islam, M. S., Ahmed, M. T., Nime, M. J., & Islam, M. A. (2020). Deep Learning based Classification of Papaya Disease Recognition (pp. 945–951). IEEE. doi:10.1109/ICISS49785.2020.9316106
Singh Minhas, M. (2019). Anomaly Detection in Textured Surfaces (Maestría). Waterloo, Ontario, Canada. Retrieved from https://uwspace.uwaterloo.ca/handle/10012/15331
Basulto Rodríguez, Y. (2018, de diciembre de). Integración de la red neuronal convolucional con el algoritmo de función de frontera de objeto para reconocimiento de piezas y detección de defectos (Maestría). SALTILLO, COAHUILA. Retrieved from https://www.google.com.cu/search?ei=drxOXvXWFa8ggf34qP4Aw&q=tesis+para+detectar+defectos+y+manchas+%2BDlearning&oq=tesis+para+detectar+defectos+y+manchas+%2BD-learning&gs_l=psy-ab.12...1549.1549..2648...0.2..0.158.158.0j1......0....1..gws-wiz.......0i71.mpqKLCFV_X8&ved=0ahUKEwj16dXZzuDnAhVmnuAKHXfxCD8Q4dUDCAo
Agrawal, R., Kumar, K., & Vashishth, S. (2020). Orange Fruit Disease Detection Using Deep Convolutional Neural Networks. International Journal of Advanced Science and Technology, 29(5). doi:DOI:10.30534/ijatcse/2020/211922020
Islam, A., Akhter, S., & E. Mursalin, T. (2006, May). Automated Textile Defect Recognition System Using Computer Vision and Artificial Neural Networks, 13. Retrieved from http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.120.3772&rep=rep1&type=pdf
Martins, L. A. O., Padua, F. L. C., & Almeida, P. E. M. (2010). Automatic detection of surface defects on rolled steel using Computer Vision and Artificial Neural Networks (pp. 1081–1086). IEEE. doi:10.1109/IECON.2010.5675519
Öztürk, Ş., & Akdemir, B. (2017). Fuzzy logic-based segmentation of manufacturing defects on reflective surfaces. Neural Computing and Applications, 29(8), 107–116. doi:10.1007/s00521-017-2862-6
Hua Li, & Jen Chung Lin. (1994). Using fuzzy logic to detect dimple defects of polished wafer surfaces. IEEE Transactions on Industry Applications, 30(2), 317–323. doi:10.1109/28.287528
Xiao, J.-R., Chung, P.-C., Wu, H.-Y., Phan, Q.-H., Yeh, J.-L. A., & Hou, M. T.-K. (2020). Detection of Strawberry Diseases Using a Convolutional Neural Network. Plants, 10(1), 31. doi:10.3390/plants10010031
Alruwaili, M., Abd El-Ghany, S., Alanazi, S., & Shehab, A. (2019). An Efficient Deep Learning Model for Olive Diseases Detection. International Journal of Advanced Computer Science and Applications, 10(9). Retrieved from https://pdfs.semanticscholar.org/221a/f7dd08cd32feeb7fe5f2cbb09ed38a23aad5.pdf
Thangaraj, R., Dinesh, D., Hariharan, S., Rajendar, S., Gokul, D., & Hariskarthi, T. R. (2020). Automatic Recognition of Avocado Fruit Diseases using Modified Deep Convolutional Neural Network. International Journal of Grid and Distributed Computing, 13(1). Retrieved from https://www.researchgate.net/profile/Rajasekaran-Thangarasu-2/publication/342491108_Automatic_Recognition_of_Avocado_Fruit_Diseases_using_Modified_Deep_Convolutional_Neural_Network/links/5f530c6e458515e96d2ed9f8/Automatic-Recognition-of-Avocado-Fruit-Diseases-using-Modified-Deep-Convolutional-Neural-Network.pdf
Roldán Ortega, B., Roshan Biswal, R., & Sánchez De la Cruz, E. (2019). Detección de enfermedades en el sector agrícola utilizando Inteligencia Artificial. Research in Computing Science, 9.
Vinayahalingam, S., Kempers, S., Limon, L., Deibel, D., Maal, T., Bergé, S., & Xi, T. (2021). The Automatic Detection of Caries in Third Molars on Panoramic Radiographs Using Deep Learning: A Pilot Study. Research Square. doi:10.21203/rs.3.rs-379636/v1.
Htay, T. T., & Maung, S. S. (2018). Early Stage Breast Cancer Detection System using GLCM feature extraction and K-Nearest Neighbor (k-NN) on Mammography image (pp. 171–175). IEEE. doi:10.1109/ISCIT.2018.8587920.
Kasbe, T., & Pippal, R. S. (2017). Design of heart disease diagnosis system using fuzzy logic (pp. 3183–3187). IEEE. doi:10.1109/ICECDS.2017.8390044
Sharma, V., Verma, A., & Goel, N. (2020). Classification Techniques for Plant Disease Detection. Revista Internacional de Tecnología e Ingeniería Reciente, 8(6). doi:10.35940.

Publicado

2022-01-04
Estadísticas
Resumen 86

Cómo citar

Ynfante Martínez , M. ., Machado Molina, M. ., Machado García, N. ., & Velasteguí López , E. . (2022). Técnicas de aprendizaje supervisado para la detección y clasificación de enfermedades y defectos en imágenes de frutas: revisión. Magazine De Las Ciencias: Revista De Investigación E Innovación, 7(1), 1–16. https://doi.org/10.33262/rmc.v7i1.2330

Número

Sección

Artículos