PhytoVision: Sistema de medición de crecimiento In vitro de plántulas de Lactuca sativa L

Autor:	Moreno Tabares, Carlos Arturo
Přispěvatelé:	Jaramillo Villegas, Jose Alfredo
Jazyk:	Spanish; Castilian
Rok vydání:	2022
Předmět:	000 - Ciencias de la computación información y obras generales::006 - Métodos especiales de computación Aprendizaje Profundo 006 - Métodos especiales de computación [000 - Ciencias de la computación información y obras generales] Computer vision Detección de características Actividad alelopática Gaze tracking Visión por computador
Zdroj:	Repositorio Institucional UTP Universidad Tecnológica de Pereira instacron:Universidad Tecnológica de Pereira
Popis:	Los bioensayos con plantas son experimentos que se realizan, en un ambiente controlado, a semillas de plantas para detectar los efectos que tienen las diferentes sustancias en su proceso de germinación y crecimiento; esto se determina mediante los datos obtenidos por observación sobre los cambios presentados en las plántulas días posteriores al aplicar la sustancia, uno de esos datos es la longitud del tallo y la raíz. Para conseguir el dato de la longitud del tallo y raíz de una plántula con precisión con un instrumento de medición convencional requiere que ésta se encuentre ubicado a lo largo sin curvar (lo menos posible) lo cual implica manipularla corriendo el riesgo de dañarla o alterar la sustancia aplicada antes de completar el experimento. La computación ha permitido el desarrollo de herramientas de software que apoyan partes de diferentes procedimientos tales como extraer el dato de longitud de tallo y raíz a partir de análisis a imágenes con características sujetas a variaciones de las condiciones del ambiente y particularidades de la plántula. La herramienta de software es configurada para realizar análisis sobre datos de entrada y entregar un resultado al punto de tener criterios que pueden adaptarse a medida que existan nuevas variaciones posibles en ellos, similar a como se comportaría la mente humana gracias a los algoritmos de inteligencia artificial. La visión por computadora permite a las herramientas de software extraer datos a partir de imágenes y junto con la inteligencia artificial realiza la búsqueda de patrones o características clave de la imagen entrante, permitiendo abarcar diferentes posibles combinaciones definiendo únicamente la forma de analizar. Bioassays with plants are experiments that are performed in a controlled environment on plant seeds to detect the effects that different substances have on their germination and growth process, this is determined through data obtained by observation on the changes presented in the seedlings days after applying the substance; one of these data is the length of the stem and root. To obtain the stem and root length of a seedling with good accuracy with a conventional measuring instrument requires that the seedling is straight, which implies manipulating it and running the risk of damaging the seedling or altering the substance applied before the experiment is completed. Computation has allowed the development of software tools that support parts of different procedures, as well as extracting stem and root length data from image analysis with characteristics subject to variations of enviroment and the special features of the plant. The software tool is configured to perform analysis on input data and deliver a result to the point of having criteria that can be adapted as new variations in the data become possible, similar the behaviour of the human mind would behave thanks to artificial intelligence algorithms. Computer vision allows software tools to extract data from images and together with artificial intelligence performs the search for patterns or key features of the incoming image, allowing to cover different possible combinations by defining only the way to analyze. Maestría Magíster en Ingeniería de Sistemas y Computación Índice general 1. Introducción 5 1.1. Grupo de investigación Polifenoles y alelopatía . . . . . . . . . . . . . . 5 1.2. Visión por computadora y aplicación en bioensayos . . . . . . . . . . . . 6 2. Descripción Del Proyecto 9 2.1. Planteamiento de la pregunta o problema de investigación y su justificación en términos de necesidades y pertinencia . . . . . . . . . . . . . . . . . . 9 2.2. Marco teórico y estado del arte . . . . . . . . . . . . . . . . . . . . . . . 10 2.3. Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 2.3.1. Objetivo General . . . . . . . . . . . . . . . . . . . . . . . . . . 11 2.3.2. Objetivos Específicos . . . . . . . . . . . . . . . . . . . . . . . . 12 2.4. Metodología . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 2.4.1. Objetivo especifico 1 . . . . . . . . . . . . . . . . . . . . . . . . 12 2.4.2. Metodología propuesta 1 . . . . . . . . . . . . . . . . . . . . . . 12 2.4.3. Objetivo especifico 2 . . . . . . . . . . . . . . . . . . . . . . . . 12 2.4.4. Metodología propuesta 2 . . . . . . . . . . . . . . . . . . . . . . 13 2.4.5. Objetivo especifico 3 . . . . . . . . . . . . . . . . . . . . . . . . 13 2.4.6. Metodología propuesta 3 . . . . . . . . . . . . . . . . . . . . . . 13 2.4.7. Objetivo especifico 4 . . . . . . . . . . . . . . . . . . . . . . . . 13 2.4.8. Metodología propuesta 4 . . . . . . . . . . . . . . . . . . . . . . 14 3. Bioensayo de crecimiento en plántulas de Lactuca sativa L. 15 3.1. Efecto alelopático . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 3.2. Bioensayo de actividad alelopática . . . . . . . . . . . . . . . . . . . . . 15 3.3. Los riesgos al recolectar el dato . . . . . . . . . . . . . . . . . . . . . . 16 4. Medición de longitud por computadora 17 4.1. Objetivo de solución con tecnología . . . . . . . . . . . . . . . . . . . . 17 4.2. Representación de la imagen en computadora . . . . . . . . . . . . . . . 17 4.3. Inteligencia artificial con imágenes . . . . . . . . . . . . . . . . . . . . . 18 4.4. Redes neuronales artificiales . . . . . . . . . . . . . . . . . . . . . . . . 18 4.4.1. Datos de entrada . . . . . . . . . . . . . . . . . . . . . . . . . . 19 4.4.2. Cálculo de salidas . . . . . . . . . . . . . . . . . . . . . . . . . 20 4.4.3. Cálculo de la pérdida . . . . . . . . . . . . . . . . . . . . . . . . 20 4.4.4. El gradiente descendente: definición y uso . . . . . . . . . . . . . 20 4.4.5. Retropropagación . . . . . . . . . . . . . . . . . . . . . . . . . . 21 4.4.6. Aprendizaje . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 4.4.7. Iteraciones del aprendizaje . . . . . . . . . . . . . . . . . . . . . 21 4.5. Aprendizaje profundo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 4.5.1. Arquitectura de una red neuronal en aprendizaje profundo . . . . 23 4.5.2. Adaptación a los lenguajes de programación . . . . . . . . . . . . 26 5. Diseño e implementación de la solución 27 5.1. Conjunto de datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 5.2. Software y herramientas . . . . . . . . . . . . . . . . . . . . . . . . . . 28 5.2.1. Toma de imágenes desde una cámara conectada a la computadora 29 5.2.2. Etiquetado de longitud correspondiente al tallo de plántula artificial que contiene la imagen . . . . 29 5.2.3. Lectura, filtros e histogramas de imágenes . . . . . . . . . . . . . 30 5.2.4. Creación de la arquitectura de la red neuronal . . . . . . . . . . . 30 5.2.5. Conversión de las imágenes a datos preparados para ser ingresados a la red neuronal . . . . . . . 31 5.2.6. Entrenamiento de la red neuronal . . . . . . . . . . . . . . . . . 31 5.2.7. Validación de la red neuronal . . . . . . . . . . . . . . . . . . . . 32 5.2.8. Evaluación de la red neuronal . . . . . . . . . . . . . . . . . . . 32 5.2.9. Almacenamiento de resultados . . . . . . . . . . . . . . . . . . . 33 5.2.10. Estadísticas de resultados . . . . . . . . . . . . . . . . . . . . . . 33 5.2.11. Visualización de resultados . . . . . . . . . . . . . . . . . . . . . 34 5.3. Arquitectura de la red neuronal . . . . . . . . . . . . . . . . . . . . . . . 35 5.4. Corrección con regresión Lineal . . . . . . . . . . . . . . . . . . . . . . 37 6. Resultados 39 6.1. Arquitectura solución . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 6.2. Análisis de los valores de pérdida . . . . . . . . . . . . . . . . . . . . . . 39 6.2.1. Pérdida y mediciones con datos de validación . . . . . . . . . . . 41 6.2.2. Predicciones y corrección con datos de evaluación . . . . . . . . 42 7. Conclusiones y perspectivas a futuro 45 7.1. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 7.2. Perspectivas a futuro . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
Databáze:	OpenAIRE
Externí odkaz:	https://explore.openaire.eu/search/publication?articleId=dedup_wf_001::9521b45c031c0b5bafdd28fef0a63094 https://hdl.handle.net/11059/14173 Zobrazit plný text záznamu