Análisis de imágenes hiperespectrales en hojas de mango empleando lenguaje R

Abstract

El Objetivo de este documento es presentar un análisis de las técnicas de clasificación para la identificación de la enfermedad conocida como la antracnosis en las hojas de mango de un repositorio de la universidad del año 2020, a través del procesamiento en lenguaje R. Primero se revela la importancia de lograr controlar la antracnosis en etapas temprana, a través de un estudio del arte de los mejores trabajos relacionados. Previo a la aplicación de técnicas de clasificación se presentó un preprocesamiento donde se realiza la lectura de las imágenes hiperespectrales, reducción de dimensionalidad, técnicas de normalización, obtención de bandas más relevante, organización en tres clases y subdivisión en conjuntos de pruebas y entrenamiento. Luego se estudia cinco técnicas de clasificación como son Máquina de vectores de Soporte (SVM), Análisis discriminante Lineal (LDA), Método de Potenciación de Gradiente (GBM), Bosques Aleatorios (RF) y Redes neuronales (NN), Finalmente se compara su desempeño y tiempo de entrenamiento del modelo. (Texto tomado de la fuente)

The objective of this document is to present an analysis of the classification techniques for the identification of the disease known as anthracnose in the mango leaves of a university repository of the year 2020, through processing in R language. First it is revealed the importance of achieving control of anthracnose in early stages, through a study of the art of the best related works. Prior to the application of classification techniques, a preprocessing was presented where hyperspectral images are read, dimensionality reduction, normalization techniques, obtaining the most relevant bands, organization into three classes and subdivision into test and training sets. Then five classification techniques are studied such as Support Vector Machine (SVM), Linear Discriminant Analysis (LDA), Gradient Potentiation Method (GBM), Random Forests (RF) and Neural Networks (NN), Finally their performance and training time of the model.