Detección del nivel de estrés hídrico en plantas de lechuga romana a través de CNN

PÄDI boletín científico de ciencias básicas e ingenierías del ICBI Pub Date : 2023-09-11 DOI:10.29057/icbi.v11iespecial2.10943

Jesús Guillermo Bermúdez-Rojas, Jorge Enrique Luna-Taylor, Fernando Daniel Von-Borstel-Luna, Jesús Alberto Sandoval-Galarza

{"title":"Detección del nivel de estrés hídrico en plantas de lechuga romana a través de CNN","authors":"Jesús Guillermo Bermúdez-Rojas, Jorge Enrique Luna-Taylor, Fernando Daniel Von-Borstel-Luna, Jesús Alberto Sandoval-Galarza","doi":"10.29057/icbi.v11iespecial2.10943","DOIUrl":null,"url":null,"abstract":"La agricultura en México enfrenta importantes desafíos en el área del agua. Una alternativa para enfrentar este problema es la implementación de técnicas agrícolas modernas que permitan métodos de agricultura de precisión en invernaderos que puedan producir durante todas las estaciones del año y con un uso más eficiente del agua. Para ello son necesarios sistemas inteligentes que permitan monitorear y controlar los recursos para el crecimiento de las plantas de acuerdo a las condiciones que presenten. Este artículo describe el diseño y entrenamiento de una red neuronal convolucional (CNN) para detectar el grado de deshidratación de plantas de lechuga romana a través de imágenes. Los experimentos muestran una precisión y sensibilidad del modelo del 83% en la identificación del nivel de deshidratación y del 98,8% en ambas métricas, considerando una tolerancia de más/menos un nivel de diferencia con respecto al real.","PeriodicalId":476815,"journal":{"name":"PÄDI boletín científico de ciencias básicas e ingenierías del ICBI","volume":"22 1","pages":"0"},"PeriodicalIF":0.0000,"publicationDate":"2023-09-11","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"1","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"PÄDI boletín científico de ciencias básicas e ingenierías del ICBI","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.29057/icbi.v11iespecial2.10943","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}

引用次数: 1

Abstract

La agricultura en México enfrenta importantes desafíos en el área del agua. Una alternativa para enfrentar este problema es la implementación de técnicas agrícolas modernas que permitan métodos de agricultura de precisión en invernaderos que puedan producir durante todas las estaciones del año y con un uso más eficiente del agua. Para ello son necesarios sistemas inteligentes que permitan monitorear y controlar los recursos para el crecimiento de las plantas de acuerdo a las condiciones que presenten. Este artículo describe el diseño y entrenamiento de una red neuronal convolucional (CNN) para detectar el grado de deshidratación de plantas de lechuga romana a través de imágenes. Los experimentos muestran una precisión y sensibilidad del modelo del 83% en la identificación del nivel de deshidratación y del 98,8% en ambas métricas, considerando una tolerancia de más/menos un nivel de diferencia con respecto al real.

查看原文本刊更多论文

通过CNN检测莴苣植物的水分胁迫水平

墨西哥的农业在水领域面临着重大挑战。解决这一问题的另一种方法是实施现代农业技术，允许在温室中精确耕作的方法，可以全年生产，并更有效地利用水。为此，智能系统是必要的，允许监测和控制资源的植物生长根据他们呈现的条件。本文描述了一种卷积神经网络(CNN)的设计和训练，通过图像检测莴苣植物的脱水程度。实验表明，该模型在识别脱水水平方面的精度和灵敏度为83%，在两个指标上的精度和灵敏度为98.8%，考虑到与实际差异的正负一个水平的公差。

本文章由计算机程序翻译，如有差异，请以英文原文为准。

求助全文

约1分钟内获得全文求助全文

来源期刊

PÄDI boletín científico de ciencias básicas e ingenierías del ICBI

自引率

0.00%

发文量