Análisis de técnicas de deep learning para la identificación y clasificación de cultivos
Contenido principal del artículo
Resumen
El estudio tiene como finalidad dar a conocer la importancia del uso de técnicas computacionales en la agricultura, el uso del deep learning permite que las redes neuronales artificiales puedan realizar análisis de datos mediante el uso de la lógica preposición, esto hace que las computadoras sean capaces de identificar imágenes o realizar predicciones. Los métodos de investigación empleados en el estudio fueron la investigación exploratoria, bibliográfica y la descriptiva, fueron de mucha ayuda para analizar estas técnicas computacionales modernas. En la investigación se determinó que estos métodos son muy utilizados actualmente en la agricultura, siendo el algoritmo de redes neuronales convolucionales el más utilizado para este objetivo. El empleo de estas técnicas se muestra como una de las claves más importantes para el crecimiento de la agricultura de precisión.
Descargas
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Se autoriza la reproducción y citación del material que aparece en la revista, siempre y cuando se ajusten a las condiciones establecidas en la licencias de los artículos publicados Licencia Creative Commons Atribución-NoComercial-CompartirIgual 4.0 Internacional.
Citas
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