Clasificación del estado de salud de la Lantana camara mediante redes neuronales y extracción de características
Health status classification of Lantana camara through neural networks and feature extraction
DOI:
https://doi.org/10.56643/rcia.v4i2.229Palabras clave:
Estado de salud, Extracción de características, Histograma HSV, Lantana camara, Perceptrón multicapa (MLP), Redes neuronales.Resumen
El cambio climático ha alterado significativamente los patrones de desarrollo y los ciclos de vida de diferentes especies vegetales, tanto a nivel regional como mundial. En la región de los Valles Centrales de Oaxaca se carece de herramientas tecnológicas que permitan evaluar objetivamente el estado de salud de Lantana camara, especie nativa de la región, lo que limita el desarrollo de estrategias de conservación basadas en evidencia. La evaluación tradicional depende de observaciones visuales subjetivas, las cuales pueden llegar a ser inconsistentes y difícilmente escalables para el monitoreo continuo requerido en este contexto. Para abordar esta problemática, se desarrolló un sistema automatizado de clasificación del estado de salud de la Lantana camara empleando redes neuronales. La metodología consistió en extraer 181 características numéricas por imagen: 180 valores del histograma de tonos del modelo hsv y un valor de diámetro de inflorescencia obtenido mediante segmentación automática con OpenCV. Estas características fueron procesadas en una red neuronal tipo perceptrón multicapa (mlp) con arquitectura de tres capas ocultas (256, 128, 64 neuronas con activación ReLU) y capa de salida softmax, clasificando cuatro estados: florecimiento pleno, cambio de flores, palidez por falta de luz y planta seca. El entrenamiento se realizó durante 30 épocas utilizando un optimizador Adam, la función de pérdida categorical crossentropy, la regularización mediante Dropout (0.3) y early stopping. Para prevenir clasificaciones incorrectas, se implementó un sistema de filtrado dual con umbral de confianza del 65%. El modelo final alcanzó una precisión de 97.78%, superando significativamente el objetivo inicial de 80% y demostrando la efectividad del enfoque basado en la extracción de características específicas para la clasificación del estado de salud de especies vegetales nativas.
Referencias
Ahmed, A., Mohamed, A., Amar, F., Basma, M., Omar, M., Mohamed, S., y Nehal, F. (2021). Image Classification Based On CNN: A Survey. Journal of Cybersecurity and Information Management, 6(1), 18-50. https://doi.org/10.5281/zenodo.4897990
Celaya Ramírez, J. A. (2025, junio 30). Datasets-Entrenamientos. Github: https://github.com/Ark130/Datasets-Entrenamientos.git
Chenxu, S., Chongyu, Y., Yongchao, X., Sumei, L., Hong, H., Hui, Y., y Xianzhong, F. (2022). Algorithm for acquiring multi-phenotype parameters of soybean seed based on OpenCV. Transactions of the Chinese Society of Agricultural Engineering, 38(20), 156-163. https://dx.doi.org/10.11975/j.issn.1002-6819.2022.20.018
Deng, S.-Z., Jalaludin, B., Antó, J. M., Hess, J. J., y Huang, C.-R. (2020). Climate change, air pollution, and allergic respiratory diseases: a call to action for health professionals. Chinese Medical Journal, 1552-1560. https://doi.org/10.1097/CM9.0000000000000861
Ersin, E., Ahmet E., T., Elda, C., Aymen I., Z., Ahmed, S., Chamseddine, Z., y Wiem, A. (2024). Enhanced Plant Leaf Classification over a Large Number of Classes Using Machine Learning. Applied Sciences, 14(22). https://doi.org/10.3390/app142210507
Manisalidis, I., Stavropoulou, E., Stavropoulos, A., y Bezirtzoglou, E. (2020). Environmental and Health Impacts of Air Pollution: A Review. Public Health, 8. https://doi.org/10.3389/fpubh.2020.00014
Mardanisamani, S., y Eramian, M. (2022). Segmentation of vegetation and microplots in aerial agriculture images: A survey. The Plant Phenome Journal, 5(1). https://doi.org/10.1002/ppj2.20042
Miao, Y., Wang, R., Jing, Z., Wang, K., Tan, M., Li, F., . . . Han, Y. (2024). CT image segmentation of foxtail millet seeds based on semantic segmentation model VGG16-UNet. Plant Methods, 20(1). https://doi.org/10.1186/s13007-024-01288-y
Okyere, F., Cudjoe, D., Sadeghi-Tehran, P., Virlet, N., Riche, A., Castle, M., . . . Hawkesford, M. (2023). Machine Learning Methods for Automatic Segmentation of Images of Field- and Glasshouse-Based Plants for High-Throughput Phenotyping. Plants, 12(10), 2035. https://doi.org/10.3390/plants12102035
Rajagopal, M., Abbas, M., y Sivasakthivel, R. (2024). A Novel Technique for Leaf Disease Classification Using Legion Kernels with Parallel Support Vector Machine (LK-PSVM) and Fuzzy C Means Image Segmentation. Heliyon, 10(4). https://doi.org/10.1016/j.heliyon.2024.e32707
Singh, P., Yadav, D., y Pandian E, S. (2021). Link between air pollution and global climate change. Global Climate Change, 79-108. https://doi.org/10.1016/B978-0-12-822928-6.00009-5
Suthar, G., Kaul, N., Khandelwal, S., y Singh, S. (2024). Predicting land surface temperature and examining its relationship with air pollution and urban parameters in Bengaluru: A machine learning approach. Urban Climate, 53. https://doi.org/10.1016/j.uclim.2024.101830
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2025 José Arturo Celaya Ramírez, Dr. Eric Mario Silva Cruz, Mtro. Ludwig Federico Barcelos Mendoza
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores/as que publiquen en esta revista aceptan las siguientes condiciones:
- Los autores/as conservan los derechos de autor y ceden a la revista el derecho de la primera publicación, con el trabajo registrado con la licencia de atribución de Creative Commons 4.0, que permite a terceros utilizar lo publicado siempre que mencionen la autoría del trabajo y a la primera publicación en esta revista.
- Los autores/as pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en esta revista (p. ej., incluirlo en un repositorio institucional o publicarlo en un libro) siempre que indiquen claramente que el trabajo se publicó por primera vez en esta revista.
- Se permite y recomienda a los autores/as a compartir su trabajo en línea (por ejemplo: en repositorios institucionales o páginas web personales) antes y durante el proceso de envío del manuscrito, ya que puede conducir a intercambios productivos, a una mayor y más rápida citación del trabajo publicado.
