Analysis of deep learning techniques for the identification and classification of crops
Main Article Content
Abstract
The purpose of the study is to make known the importance of the use of computational techniques in agriculture, the use of deep learning allows artificial neural networks to perform data analysis through the use of preposition logic, this makes computers capable of to identify images or make predictions. The research methods used in the study were exploratory, bibliographical and descriptive research, they were very helpful to analyze these modern computational techniques. In the investigation it was determined that these methods are currently widely used in agriculture, being the convolutional neural network algorithm the most used for this objective. The use of these techniques is shown as one of the most important keys for the growth of precision agriculture.
Downloads
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Material appearing in the journal may be reproduced and cited, provided that it complies with the conditions established in the licenses of the published articles Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
References
AgemPapa. (2021). Información Técnica: ¿Cómo predecir el rendimiento en el cultivo de papa con agricultura de precisión? Obtenido de https://www.argenpapa.com.ar/noticia/10197-informacion-tecnica-como-predecir-el-rendimiento-en-el-cultivo-de-papa-con-agricultura-de-precision
Andrade, J. A. (2018). Aplicación móvil para detección y tratamiento de daños de los cultivos de la parroquia Taura del cantón Durán, mediante el uso de software de análisis de imagen basado en técnicas de Machine Learning. Obtenido de http://repositorio.ucsg.edu.ec/bitstream/3317/11769/1/T-UCSG-PRE-ART-IPM-150.pdf
Banchón, D. A., & Soriano, G. K. (2021). Diseño de plataforma tecnológica basada en machine learning para controlar los factores que intervienen en la producción de cultivos aeropónicos. Obtenido de http://repositorio.ug.edu.ec/bitstream/redug/52322/1/B-CINT-PTG-N.660%20Banch%c3%b3n%20Fajardo%20David%20Alberto%20.%20Soriano%20Navas%20Geomara%20Katherine.pdf
Baruffaldi, J. M. (2019). Redes neuronales adversarias para el reconocimiento de malezas. Obtenido de http://www.clei2017-46jaiio.sadio.org.ar/sites/default/files/Mem/EST/est-05.pdf
Bonilla, J. S., Dávila, F. A., & Villa, M. W. (2021). Estudio del uso de técnicas de inteligencia artificial aplicadas para análisis de suelos para el sector agrícola. Obtenido de https://recimundo.com/index.php/es/article/view/978/1672
Carderón, A., & Hurtado, H. (2019). Arquitectura basada en micro-servicios para aplicaciones web. TIA (Tecnología e Investigación Academia) 7(2), 55-61.
García, J. J., Zambrano, J. J., Alcivar, R., & Zambrano, W. D. (2020). Predicción del rendimiento de cultivos agrícolas usando aprendizaje automático. Obtenido de https://dialnet.unirioja.es/descarga/articulo/7672167.pdf
Guevara, G. P., Verdesoto, A. E., & Castro, N. E. (2020). Metodologías de investigación educativa (descriptivas, experimentales, participativas, y de investigación-acción). Revista científica Mundo de la Investigación y el Conocimiento. Obtenido de https://dialnet.unirioja.es/descarga/articulo/7591592.pdf
Gutiérrez Ríos, Y., & Rosas de Martínez, A. I. (2014). El lugar de la oralidad en la escuela: exploraciones iniciales sobre las concepciones de los docentes. Caldas: Universidad Distrital Francisco José de Caldas.
Hernández, R., & Mendoza, C. (2019). Metodología de la investigación. Las rutas cuantitativa, cualitativa y mixta. Obtenido de https://virtual.cuautitlan.unam.mx/rudics/?p=2612
Hernandez, R., Fernandez, C., & Baptista, P. (2014). Metodología de la Investigación. México D.F: Mc Graw Hill.
Herrera, C. A. (2016). Implementación de un módulo de análisis estadístico y predictivo para agricultura utilizando bigdata y machine learning, integrado al sistema Iotmach.
Jácome, R. (2021). Predicción de rendimiento de cosechas utilizando aprendizaje profundo multimodal. Obtenido de http://refbase.cidis.espol.edu.ec/files/robertojacomegalarza/2021/150_RobertoJacomeGalarza2021.pdf
Jara Estupiñan, J. G. (2016). Implementación de algoritmos basados en máquinas de soporte vectorial (SVM) para sistemas eléctricos: revisión de tema. Revista Tecnura, 20(48), 149-170.
Laurentin, H. (2020). Importancia de la predicción del rendimiento en caña de azúcar en un contexto de transformación digital. SofOS.
Marengo, J., Chou, S., Torres, R., Giarolla, A., Alves, L., & Lyra, A. (2020). Climate change in Central and South America: Recent trends, future projections, and impacts on regional agriculture.
Ochoa, C. (2015). Implementación de las tecnologías de la información y la comunicación TIC para la mejora de la gestión contable y financiera en la Empresa Fundimetales. Obtenido de https://repositorio.uptc.edu.co/bitstream/001/1551/1/TGT-287.pdf
Parraga, J., Alcivar, R., Riascos, J., & Becerra, M. (2020). Aphids Detection on Lemons Leaf Image Using Convolutional Neural Networks.
Sitio Big Data. (2019). Aprendizaje automático en agricultura: aplicaciones y técnicas. Obtenido de https://sitiobigdata.com/2019/12/24/aprendizaje-automatico-en-agricultura/#
Zanelli, E. A. (2019). Desarrollo de un método de estimación de rendimiento de cultivos agrícolas utilizando imágenes satelitales ópticas en la provincia de Buenos Aires. Obtenido de https://rdu.unc.edu.ar/bitstream/handle/11086/16505/Alvarez%20Zanelli%2C%20E.%20Desarrollo%20de%20un%20m%C3%A9todo%20de%20estimaci%C3%B3n%20de%20rendimiento%20de%20cultivos..%20.pdf?sequence=1&isAllowed=y