Application of Unsupervised Learning in the Early Detection of Late Blight in Potato Crops Using Image Processing

Resumen

Introducción. La detección automática puede ser útil en la búsqueda de grandes campos de cultivo simplemente detectando la enfermedad con los síntomas que aparecen en la hoja.

Objetivo: este artículo presenta la aplicación de técnicas de aprendizaje automático destinadas a detectar la enfermedad del tizón tardío utilizando métodos de aprendizaje no supervisados ​​como K-Means y agrupamiento jerárquico.

Método: La metodología utilizada está compuesta por las siguientes fases: adquisición del dataset, procesamiento de la imagen, extracción de características, selección de características, implementación del modelo de aprendizaje, medición del rendimiento del algoritmo, finalmente se obtuvo una tasa de acierto del 68,24% siendo este el mejor resultado de los algoritmos de aprendizaje no supervisados ​​implementados, usando 3 clusters para el agrupamiento.

Resultados: De acuerdo con los resultados obtenidos, se puede evaluar el desempeño del algoritmo K-Means, es decir, 202 aciertos y 116 errores.

Conclusiones: Los algoritmos de aprendizaje no supervisado son muy eficientes al momento de procesar una gran cantidad de datos, en este caso una gran cantidad de imágenes sin necesidad de etiquetas predefinidas, su uso para solucionar problemas locales como afectaciones de tizón tardío en cultivos de papa es novedoso.