Identificación de genotipos de batata mediante técnicas de aprendizaje profundo

Autores
Berger, Javier; Vilanova Pérez, Antonella; Flamarique, Sofía Solange; Di Feo, Liliana del Valle
Año de publicación
2020
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
El cultivo de Ipomoea batatas (L.) Lam conocida regionalmente como batata se desarrolla en más de 100 países. Existe una gran variabilidad genética de la especie que se refleja en la variación del sabor, tamaño, forma, peso y textura de la batata, como así también en las formas de las hojas de cada genotipo. La identificación de los genotipos de batata permite reconocer aquellas variedades que poseen características específicas, esta tarea requiere de personas con entrenamiento visual suficiente. Por esta razón, en este trabajo se desarrolla un modelo basado en técnicas de aprendizaje profundo como herramienta de apoyo para la identificación de cuatro genotipos de batata: Arapey INIA, Beauregard, Boni INTA y Morada INTA mediante el uso de fotografías pertenecientes a un conjunto de 836 imágenes distribuidas bajo licencia Creative Commons con Atribución por el Instituto de Patología Vegetal (IPAVE) dependiente del Centro de Investigaciones Agropecuarias (CIAP) del Instituto Nacional de Tecnología Agropecuaria (INTA). Se utilizó la técnica de aprendizaje por transferencia con el modelo MobileNet v2, ejecutado en el entorno de desarrollo Google Colaboratory mediante la librería de código abierto Tensorflow. Durante el entrena-miento se obtuvo 93,33 % de clasificaciones correctas y con un conjunto de eva-luación se obtuvo 92,5 % de aciertos.
Sociedad Argentina de Informática e Investigación Operativa
Materia
Ciencias Informáticas
Aprendizaje automático
Transferencia de aprendizaje
Procesamiento de imágenes
Ipomoea batatas
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/3.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/115531
Acceder
id SEDICI_baf3ae1f63cf54a4177acf13f7914c3d
oai_identifier_str oai:sedici.unlp.edu.ar:10915/115531
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Identificación de genotipos de batata mediante técnicas de aprendizaje profundoBerger, JavierVilanova Pérez, AntonellaFlamarique, Sofía SolangeDi Feo, Liliana del ValleCiencias InformáticasAprendizaje automáticoTransferencia de aprendizajeProcesamiento de imágenesIpomoea batatasEl cultivo de Ipomoea batatas (L.) Lam conocida regionalmente como batata se desarrolla en más de 100 países. Existe una gran variabilidad genética de la especie que se refleja en la variación del sabor, tamaño, forma, peso y textura de la batata, como así también en las formas de las hojas de cada genotipo. La identificación de los genotipos de batata permite reconocer aquellas variedades que poseen características específicas, esta tarea requiere de personas con entrenamiento visual suficiente. Por esta razón, en este trabajo se desarrolla un modelo basado en técnicas de aprendizaje profundo como herramienta de apoyo para la identificación de cuatro genotipos de batata: Arapey INIA, Beauregard, Boni INTA y Morada INTA mediante el uso de fotografías pertenecientes a un conjunto de 836 imágenes distribuidas bajo licencia Creative Commons con Atribución por el Instituto de Patología Vegetal (IPAVE) dependiente del Centro de Investigaciones Agropecuarias (CIAP) del Instituto Nacional de Tecnología Agropecuaria (INTA). Se utilizó la técnica de aprendizaje por transferencia con el modelo MobileNet v2, ejecutado en el entorno de desarrollo Google Colaboratory mediante la librería de código abierto Tensorflow. Durante el entrena-miento se obtuvo 93,33 % de clasificaciones correctas y con un conjunto de eva-luación se obtuvo 92,5 % de aciertos.Sociedad Argentina de Informática e Investigación Operativa2020-10info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf242-254http://sedici.unlp.edu.ar/handle/10915/115531spainfo:eu-repo/semantics/altIdentifier/url/http://49jaiio.sadio.org.ar/pdfs/cai/CAI_30.pdfinfo:eu-repo/semantics/altIdentifier/issn/2525-0949info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/3.0/Creative Commons Attribution-NonCommercial-ShareAlike 3.0 Unported (CC BY-NC-SA 3.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-29T11:26:54Zoai:sedici.unlp.edu.ar:10915/115531Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 11:26:54.848SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Identificación de genotipos de batata mediante técnicas de aprendizaje profundo
title Identificación de genotipos de batata mediante técnicas de aprendizaje profundo
spellingShingle Identificación de genotipos de batata mediante técnicas de aprendizaje profundo
Berger, Javier
Ciencias Informáticas
Aprendizaje automático
Transferencia de aprendizaje
Procesamiento de imágenes
Ipomoea batatas
title_short Identificación de genotipos de batata mediante técnicas de aprendizaje profundo
title_full Identificación de genotipos de batata mediante técnicas de aprendizaje profundo
title_fullStr Identificación de genotipos de batata mediante técnicas de aprendizaje profundo
title_full_unstemmed Identificación de genotipos de batata mediante técnicas de aprendizaje profundo
title_sort Identificación de genotipos de batata mediante técnicas de aprendizaje profundo
dc.creator.none.fl_str_mv Berger, Javier
Vilanova Pérez, Antonella
Flamarique, Sofía Solange
Di Feo, Liliana del Valle
author Berger, Javier
author_facet Berger, Javier
Vilanova Pérez, Antonella
Flamarique, Sofía Solange
Di Feo, Liliana del Valle
author_role author
author2 Vilanova Pérez, Antonella
Flamarique, Sofía Solange
Di Feo, Liliana del Valle
author2_role author
author
author
dc.subject.none.fl_str_mv Ciencias Informáticas
Aprendizaje automático
Transferencia de aprendizaje
Procesamiento de imágenes
Ipomoea batatas
topic Ciencias Informáticas
Aprendizaje automático
Transferencia de aprendizaje
Procesamiento de imágenes
Ipomoea batatas
dc.description.none.fl_txt_mv El cultivo de Ipomoea batatas (L.) Lam conocida regionalmente como batata se desarrolla en más de 100 países. Existe una gran variabilidad genética de la especie que se refleja en la variación del sabor, tamaño, forma, peso y textura de la batata, como así también en las formas de las hojas de cada genotipo. La identificación de los genotipos de batata permite reconocer aquellas variedades que poseen características específicas, esta tarea requiere de personas con entrenamiento visual suficiente. Por esta razón, en este trabajo se desarrolla un modelo basado en técnicas de aprendizaje profundo como herramienta de apoyo para la identificación de cuatro genotipos de batata: Arapey INIA, Beauregard, Boni INTA y Morada INTA mediante el uso de fotografías pertenecientes a un conjunto de 836 imágenes distribuidas bajo licencia Creative Commons con Atribución por el Instituto de Patología Vegetal (IPAVE) dependiente del Centro de Investigaciones Agropecuarias (CIAP) del Instituto Nacional de Tecnología Agropecuaria (INTA). Se utilizó la técnica de aprendizaje por transferencia con el modelo MobileNet v2, ejecutado en el entorno de desarrollo Google Colaboratory mediante la librería de código abierto Tensorflow. Durante el entrena-miento se obtuvo 93,33 % de clasificaciones correctas y con un conjunto de eva-luación se obtuvo 92,5 % de aciertos.
Sociedad Argentina de Informática e Investigación Operativa
description El cultivo de Ipomoea batatas (L.) Lam conocida regionalmente como batata se desarrolla en más de 100 países. Existe una gran variabilidad genética de la especie que se refleja en la variación del sabor, tamaño, forma, peso y textura de la batata, como así también en las formas de las hojas de cada genotipo. La identificación de los genotipos de batata permite reconocer aquellas variedades que poseen características específicas, esta tarea requiere de personas con entrenamiento visual suficiente. Por esta razón, en este trabajo se desarrolla un modelo basado en técnicas de aprendizaje profundo como herramienta de apoyo para la identificación de cuatro genotipos de batata: Arapey INIA, Beauregard, Boni INTA y Morada INTA mediante el uso de fotografías pertenecientes a un conjunto de 836 imágenes distribuidas bajo licencia Creative Commons con Atribución por el Instituto de Patología Vegetal (IPAVE) dependiente del Centro de Investigaciones Agropecuarias (CIAP) del Instituto Nacional de Tecnología Agropecuaria (INTA). Se utilizó la técnica de aprendizaje por transferencia con el modelo MobileNet v2, ejecutado en el entorno de desarrollo Google Colaboratory mediante la librería de código abierto Tensorflow. Durante el entrena-miento se obtuvo 93,33 % de clasificaciones correctas y con un conjunto de eva-luación se obtuvo 92,5 % de aciertos.
publishDate 2020
dc.date.none.fl_str_mv 2020-10
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Objeto de conferencia
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/115531
url http://sedici.unlp.edu.ar/handle/10915/115531
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/url/http://49jaiio.sadio.org.ar/pdfs/cai/CAI_30.pdf
info:eu-repo/semantics/altIdentifier/issn/2525-0949
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/3.0/
Creative Commons Attribution-NonCommercial-ShareAlike 3.0 Unported (CC BY-NC-SA 3.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/3.0/
Creative Commons Attribution-NonCommercial-ShareAlike 3.0 Unported (CC BY-NC-SA 3.0)
dc.format.none.fl_str_mv application/pdf
242-254
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1844616147187531776
score 13.070432

Publicaciones similares