Detección de deficiencias nutricionales en el maíz mediante inteligencia artificial en la finca dos hermanos.
Abstract
El maíz es un cereal fundamental para la alimentación de diversos países, cuyas deficiencias nutricionales pueden ocasionar daños tanto en el rendimiento del grano como en su biomasa. El objetivo de este trabajo, realizado en la finca "Dos Hermanos", fue clasificar por medio de la inteligencia artificial la deficiencia en las hojas de los tres principales nutrientes fundamentales para su correcto crecimiento: el nitrógeno, fósforo y potasio, así como identificar las hojas sanas. Para ello se realizó el dataset con imágenes de hojas de maíz que presentaban características visuales según la deficiencia de nutrientes con la que contaban, o si estaban sanas. Estos datos fueron preprocesados para después extraer sus características con los valores originales de los píxeles y un banco de filtros Gabor, con los cuales se realizó un modelo de clasificación de Support Vector Machine (SVM), Random Forest (RF) y k-Nearest Neighbors (k-NN). Además, se empleó GridSearchCV para comparar el rendimiento de los modelos con y sin validación cruzada. Según las métricas evaluadas, el modelo con el mejor desempeño fue Support Vector Machine (SVM), que logró 1.0% en todas las métricas sin validación cruzada y un 0.98% como mejor puntuación al utilizar los parámetros óptimos determinados mediante GridSearchCV.
Description
Corn is a fundamental cereal for the diets of various countries, where nutrient deficiencies can cause damage to both grain yield and biomass. The objective of this study, conducted at the "Dos Hermanos" farm, was to classify nutrient deficiencies in corn leaves using artificial intelligence, specifically for the three primary nutrients essential for healthy growth: nitrogen, phosphorus, and potassium, as well as to identify healthy leaves. For this purpose, a dataset was created with images of corn leaves displaying visual characteristics according to the nutrient deficiencies present or if they were healthy. These data were preprocessed to then extract their features using the original pixel values and a Gabor filter bank. A classification model was then created using Support Vector Machine (SVM), Random Forest (RF), and k-Nearest Neighbors (k-NN). Additionally, GridSearchCV was employed to compare model performance with and without cross-validation. According to the evaluated metrics, the model with the best performance was Support Vector Machine (SVM), achieving 1.0% in all metrics without cross-validation and a 0.98% best score when using optimal parameters determined by GridSearchCV.
Keywords
Kernel, Hiperparámetros, Python, Codificación, Etiquetas
Citation
San Pedro Cevallos, Linley Liliana (2025). Detección de deficiencias nutricionales en el maíz mediante inteligencia artificial en la finca dos hermanos. Quevedo. UTEQ. 102 Páginas.