SISTEMA DE DETECCIÓN DE MALEZAS EN CULTIVOS

...

[pic 5]

Fig5. (Data mining Weka)

Se implementaron dos clasificadores supervisados el primero el del vecino más cercano, este es un método de clasificación no paramétrico, que estima el valor de la función de densidad de probabilidad o directamente la probabilidad a posteriori de que un elemento X pertenezca a la clase C a partir de la información proporcionada por el conjunto de prototipos. En el proceso de aprendizaje no se hace ninguna suposición acerca de la distribución de las variables predictoras.

[pic 6]

Fig 6.(Clasificador Knn)

Posterior a un entrenamiento en el que se le proporciona una base de 400 datos de dos clases diferentes al clasificador se procede a hacer una etapa de test en la que se mide la distancia de los dos vecinos más cercanos y en base a esto se predice si el punto analizado pertenece a la clase uno o a la clase dos determinado por la métrica de Mikowski.

[pic 7]

[pic 8]

Fig 7. (Búsqueda del vecino más cercano)

El segundo clasificador en el que se trabajo fue el Bayesiano el cual analiza para hacer la clasificación, las funciones discriminantes de menor costo y las funciones discriminantes de mayor probabilidad

[pic 9]Fig 8.(Clasificador bayesiano)

Este clasificador al igual que el de vecino mas cercano realiza una etapa de entrenamiento y posterior a ello realiza una de test en donde clasifica los datos como arvense o como cultivo cada uno de estos pertenece a una clase diferente.

Para los dos clasificadores se emplearon dos maneras de evidenciar el acierto y el error de cada clasificador, la primera se hizo mediante código y la segunda implementando una herramienta proporcionada por Matlab llamada matriz de confusión en donde se describe la cantidad de datos acertados y la cantidad de datos mal clasificados de cada una de las clases.

Resultados

CLASIFICADOR

CANAL (RGB)

NO. DE MUESTRAS T

NO. DE MUESTRAS P

PREDICCIONES ERRONEAS

ERROR DE TEST (%)

KNN

PASTO R

400

120

168

42

KNN

PASTO G

400

120

89

22

KNN

PASTO B

400

120

196

49

BAYES

PASTO R

400

120

122

30

BAYES

PASTO G

400

120

69

17

BAYES

PASTO B

400

120

211

52

KNN= k- Nearest Neighbour

Muestras T= Muestras para el entrenamiento del sistema

Muestras P= Muestras para el testeo del sistema

Es posible apreciar en la tabla de resultados que el menor porcentaje de error se presenta al momento de hacer la clasificación en el canal G en ambos clasificadores con sus respectivos valores de 22% para el clasificador del vecino más cercano y 17% para el clasificador Bayesiano, también es posible analizar que a pesar de que en los demás canales se presentan porcentajes erróneos de mayor valor el clasificador Bayesiano arroja valores erróneos menores a los que arroja el clasificador del vecino más cercano dando mayor certeza al momento de la clasificación.

Los canales en los que se presentan mayor porcentaje de error son los canales B esto debido a que son datos muy similares a los que presenta el cultivo que son los datos con los cuales se están comparando al momento de hacer la clasificación, es importante mencionar que este canal presenta estas características por la semejanza que se presentó en el canal de cultivo, a pesar de que para el canal B se suponía existía una diferencia apreciable entre los datos tomados, presenta un grado de dificultad alto al momento de llevar una adecuada predicción en este canal, dando como mejor opción y mejor resultado el canal G y en segundo lugar el canal R de arvense.

REFERENCIAS

Agüera Vega Juan, Pérez Ruiz Manuel, Agricultura de precisión hacia la integración de datos espaciales en la producción agraria, Diciembre 2013.

Andrés Jaramillo Ortiz, Robinson Jiménez M., Olga Lucía Ramos, Inspección de calidad para un sistema de producción industrial basado en el procesamiento de imágenes , 23 de noviembre de 2013

Blanco Yaisys, Leyva Á, Abundancia y diversidad de especies de arvenses en el cultivo de maíz (zea mays, l.) precedido de un barbecho transitorio después de la papa (Solanum tuberosum L.) Cultivos Tropicales, 2010, vol. 31, no. 2, p. 12-16

David Armando Revelo-Luna, Francisco Daniel Usama, Juan Fernando Flórez-Marulanda, Reconstrucción 3D de escenas mediante un sistema de visión estéreo basado en extracción de características y desarrollado en OpenCV ,15 de febrero de 2012.

Fernandes, AO.; Moreira, L. F E; Mata, J.M., "Machine