Evaluación Comparativa de Modelos de Clasificación de Imágenes del Medio Ambiente con TensorFlow y el Dataset Plant Seedlings

Autores/as

DOI:

https://doi.org/10.24054/raaas.v16i1.3716

Palabras clave:

Modelos computaciones, procesamiento de imágenes, medio ambiente, aprendizaje profundo

Resumen

El presente artículo compara el desempeño de cuatro modelos de aprendizaje profundo en la tarea de clasificación de imágenes de plántulas vegetales capturadas en condiciones naturales. Se utilizaron una red neuronal convolucional (CNN) personalizada y tres arquitecturas preentrenadas: MobileNetV2, ResNet50 y EfficientNetB0. El conjunto de datos empleado fue el Plant Seedlings Dataset, que contiene más de 4.700 imágenes de doce especies diferentes. La metodología incluyó preprocesamiento de imágenes, aumento de datos, entrenamiento en Google Colab y evaluación con métricas como exactitud, F1-score macro y matrices de confusión. Los resultados muestran que los modelos basados en transferencia de aprendizaje superan significativamente a la CNN personalizada en precisión y capacidad de generalización. EfficientNetB0 obtuvo el mejor desempeño global (98.51% de precisión), mientras que MobileNetV2 destacó por su eficiencia computacional (5 ms por predicción). ResNet50 logró una precisión competitiva (98.11%), aunque con mayores costos de entrenamiento e inferencia. Este trabajo demuestra que las arquitecturas modernas permiten clasificaciones precisas incluso en escenarios visualmente complejos, y ofrece una guía comparativa para la selección de modelos según necesidades de precisión y recursos disponibles. Los hallazgos son relevantes para aplicaciones de inteligencia artificial en ecología, monitoreo ambiental y agricultura de precisión.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Alajrami, M. A., & Abu-Naser, S. S. (2019). Type of tomato classification using deep learning. International Journal of Academic Pedagogical Research. http://www.ijeais.org/ijapr

Ayyub, B. M. (2014). Systems resilience for multihazard environments: Definition, metrics, and valuation for decision making. Risk Analysis, 34(2), 340–355. https://doi.org/10.1111/risa.12093

Barra Bello, T. C., Salvatierra Melgar, A., Candia Haro, I. M., & Vargas-Vargas, G. (2021). Gestión de riesgo de desastres en el marco de la cultura preventiva. Revista Venezolana de Gerencia, 26(94), 903–914. https://doi.org/10.52080/rvgv26n94.26

Beck, M. A., Liu, C. Y., Bidinosti, C. P., Henry, C. J., Godee, C. M., & Ajmani, M. (2020). An embedded system for the automated generation of labeled plant images to enable machine learning applications in agriculture. PLOS ONE, 15(12), e0243923. https://doi.org/10.1371/journal.pone.0243923

Bruneau, M., Chang, S. E., Eguchi, R. T., Lee, G. C., O’Rourke, T. D., Reinhorn, A. M., Shinozuka, M., Tierney, K., Wallace, W. A., & von Winterfeldt, D. (2003). A framework to quantitatively assess and enhance the seismic resilience of communities. Earthquake Spectra, 19(4), 733–752. https://doi.org/10.1193/1.1623497

Buitrago González, M. E., Santacoloma Londoño, S., Villegas Méndez, L. C., & Martínez Martina, M. A. (2020). Educación para la sostenibilidad en ingeniería ambiental como aporte al desarrollo social. Encuentro Internacional de Educación en Ingeniería ACOFI 2020, 1–8. https://doi.org/10.26507/ponencia.709

Bustamante, V. J. (2024). Competencias de sostenibilidad en la educación de ingenierías. Espacios, 45(6), 1–11. https://doi.org/10.48082/espacios-a24v45n06p01

Chauhan, R., Ghanshala, K. K., & Joshi, R. C. (2018). Convolutional neural network (CNN) for image detection and recognition. 1st International Conference on Secure Cyber Computing and Communications (ICSCCC), 278–282. https://doi.org/10.1109/ICSCCC.2018.8703316

Colmer, J., O’Neill, C. M., Wells, R., Bostrom, A., Reynolds, D., Websdale, D., Shiralagi, G., Lu, W., Lou, Q., Le Cornu, T., Ball, J., Renema, J., Flores Andaluz, G., Benjamins, R., Penfield, S., & Zhou, J. (2020). SeedGerm: A cost-effective phenotyping platform for automated seed imaging and machine-learning based phenotypic analysis of crop seed germination. New Phytologist, 228(2), 778–793. https://doi.org/10.1111/nph.16736

Cremers, D., Reid, I., Saito, H., & Yang, M. H. (2014). Computer Vision–ACCV 2014: 12th Asian Conference on Computer Vision, Singapore, November 1–5, 2014, Revised Selected Papers, Part I (Vol. 9003). Springer. https://doi.org/10.1007/978-3-319-16865-4

Cutter, S. L. (2024). Baseline resilience indicators for communities (BRIC): Theory to practice. In Encyclopedia of Technological Hazards and Disasters in the Social Sciences (pp. 41–45). Edward Elgar Publishing. https://doi.org/10.4337/9781800882201.ch07

de Medeiros, A. D., Capobiango, N. P., da Silva, J. M., da Silva, L. J., da Silva, C. B., & dos Santos Dias, D. C. F. (2020). Interactive machine learning for soybean seed and seedling quality classification. Scientific Reports, 10, 1–10. https://doi.org/10.1038/s41598-020-68273-y

Díaz Carrillo, A., Vento Tielves, R., & Cruz Chirolde, B. (2021). Plan de acciones de manejo ambiental para la mitigación de impactos ambientales de la Planta de Asfalto PC-3, de Consolación del Sur. Revista Angolana de Ciencias, 3(2), 430–446.

Domínguez Urdanivia, Y., & Rojas Valladares, A. L. (2021). La tutoría de acompañamiento, desde un enfoque inclusivo, en la formación del profesional en la educación superior. Revista Universidad y Sociedad, 13, 223–233. https://rus.ucf.edu.cu/index.php/rus/article/view/2228/2202

Fernández Berrocal, P., & Cabello, R. (2021). Inteligencia emocional como fundamento de la educación emocional. Revista Internacional de Educación Emocional y Bienestar, 1(1), 31–46. https://doi.org/10.48102/rieeb.2021.1.1.5

Folke, C. (2006). Resilience: The emergence of a perspective for social–ecological systems analyses. Global Environmental Change, 16(3), 253–267. https://doi.org/10.1016/j.gloenvcha.2006.04.002

Folke, C., Haider, L. J., Lade, S. J., Norström, A. V., & Rocha, J. (2021). Commentary: Resilience and social-ecological systems: A handful of frontiers. Global Environmental Change, 71, 102400. https://doi.org/10.1016/j.gloenvcha.2021.102400

Gavilanes Capelo, R. M., & Tipán Barros, B. G. (2021). La educación ambiental como estrategia para enfrentar el cambio climático. Alteridad, 16(2), 286–298. https://doi.org/10.17163/alt.v16n21.2021.10

Genze, N., Bharti, R., Grieb, M., Schultheiss, S. J., & Grimm, D. G. (2020). Accurate machine learning-based germination detection, prediction and quality assessment of three grain crops. Plant Methods, 16(1), 1–12. https://doi.org/10.1186/s13007-020-00699-x

Hosseini, S., Barker, K., & Ramirez-Marquez, J. E. (2016). A review of definitions and measures of system resilience. Reliability Engineering & System Safety, 145, 47–61. https://doi.org/10.1016/j.ress.2015.08.006

Martínez-Rodríguez, R.-C., & Benítez-Corona, L. (2020). The ecology of resilience learning in ubiquitous environments to adverse situations. Comunicar, 28(62), 43–52. https://doi.org/10.3916/C62-2020-04

Masi, F., Rizzo, A., & Regelsberger, M. (2018). The role of constructed wetlands in a new circular economy, resource-oriented, and ecosystem services paradigm. Journal of Environmental Management, 216, 275–284. https://doi.org/10.1016/j.jenvman.2017.11.086

Mikolajczyk, A., & Grochowski, M. (2019). Data augmentation for improving deep learning in image classification problem. 2019 International Interdisciplinary PhD Workshop (IIPhDW), 117–122.

Moghadam, M. H., Saadatmand, M., Borg, M., Bohlin, M., & Lisper, B. (2018). Learning-based response time analysis in real-time embedded systems: A simulation-based approach. Proceedings of the International Conference on Software Engineering, 21–24. https://doi.org/10.1145/3194095.3194097

Morgan Asch, J. (2021). El análisis de la resiliencia y el rendimiento académico en los estudiantes universitarios. Revista Nacional de Administración, 12(1), e3534. https://doi.org/10.22458/rna.v12i1.3534

Moscoso, M. S. (2019). Hacia una integración de mindfulness e inteligencia emocional en psicología y educación. Liberabit: Revista Peruana de Psicología, 25(1), 107–117. https://doi.org/10.24265/liberabit.2019.v25n1.09

Ortega-Castro, J. O., González-Valdez, K. M., & Tibanta-Narváez, E. H. (2022). Las energías renovables y la sostenibilidad en territorio. Revista Dominio de las Ciencias, 8(2), 1401–1417. https://doi.org/10.23857/dc.v8i2.2712

Orosz, Á., Pimentel, J., Argoti, A., & Friedler, F. (2022). General formulation of resilience for designing process networks. Computers & Chemical Engineering, 165, 107932. https://doi.org/10.1016/j.compchemeng.2022.107932

Pastrana Huguet, J., Potenciano de la Heras, Á., & Gavari Starkie, E. (2019). Gestión del riesgo de desastres y protección civil en España: Aportes para el desarrollo de una cultura preventiva. REDER, Revista de Estudios Latinoamericanos sobre Reducción del Riesgo de Desastres, 3(2), 44. https://doi.org/10.55467/reder.v3i2.31

Ramírez-Arias, J. L., Rubiano-Fonseca, A., & Jiménez-Moreno, R. (2020). Object recognition through artificial intelligence techniques. Revista Facultad de Ingeniería, 29(54), e10734. https://doi.org/10.19053/01211129.v29.n54.2020.10734

Sae-Lim, W., Wettayaprasit, W., & Aiyarak, P. (2019). Convolutional neural networks using MobileNet for skin lesion classification. 16th International Joint Conference on Computer Science and Software Engineering (JCSSE), 242–247. https://doi.org/10.1109/JCSSE.2019.8864155

Sharma, P., Berwal, Y. P. S., & Ghai, W. (2020). Performance analysis of deep learning CNN models for disease detection in plants using image segmentation. Information Processing in Agriculture, 7(4), 566–574. https://doi.org/10.1016/j.inpa.2019.11.001

Shorten, C., & Khoshgoftaar, T. M. (2019). A survey on image data augmentation for deep learning. Journal of Big Data, 6(1), 1–48. https://doi.org/10.1186/s40537-019-0197-0

Tan, S., Liu, J., Lu, H., Lan, M., Yu, J., Liao, G., Wang, Y., Li, Z., Qi, L., & Ma, X. (2022). Machine learning approaches for rice seedling growth stages detection. Frontiers in Plant Science, 13, 914771. https://doi.org/10.3389/fpls.2022.914771

Yamashita, R., Nishio, M., Gian-Do, R. K., & Togashi, K. (2018). Convolutional neural networks: An overview and application in radiology. Insights into Imaging, 9(4), 611–629. https://doi.org/10.1007/s13244-018-0639-9

Publicado

2025-04-11 — Actualizado el 2025-03-12

Cómo citar

Niño Rondón, C. V., & López Bustamante, O. A. (2025). Evaluación Comparativa de Modelos de Clasificación de Imágenes del Medio Ambiente con TensorFlow y el Dataset Plant Seedlings. REVISTA AMBIENTAL AGUA, AIRE Y SUELO, 16(1), 45–54. https://doi.org/10.24054/raaas.v16i1.3716

Número

Sección

Artículos

Artículos más leídos del mismo autor/a