Red neuronal artificial para determinar la condición ecofisiológica de los helechos espada a partir de una imagen

Abstract

El presente trabajo se enfoca en analizar diversas técnicas de inteligencia artificial, como mnist, el aumento de datos, dropOut y, principalmente, la red neuronal convolucional (cnn) aplicada al campo de la ecofisiología en helechos. Esta investigación parte de reconocer la necesidad de ocupar herramientas tecnológicas que ayuden a identificar de forma automática el estado de salud de los helechos espada, debido a los cambios climáticos que han tenido lugar en los últimos años, pues han afectado a las especies endémicas de Oaxaca. Se identificó que el análisis de imágenes puede ser clave para detectar signos de estrés o deterioro de la vegetación. En este artículo se presenta una metodología para el modelado de una red neuronal empleando Python en el entorno de trabajo de Google Colab y utilizando diferentes características para el cálculo de parámetros de las capas convolucionales. Ello hace necesaria la implementación de filtros y estructuras propias del aprendizaje profundo, como también explicar cada etapa de la configuración. Los modelos diseñados fueron entrenados mediante un set de datos (dataset) de imágenes de helechos con distintos estados de salud, durante la época de estiaje. Entre los resultados más relevantes se destaca la correcta construcción de una arquitectura de red neuronal, así como la adecuada compilación y ejecución de modelos, lo que permitió alcanzar una precisión de 96% y hace posible replicar y escalar el objetivo de este proyecto. Una de las aportaciones principales de la presente investigación es la integración de la inteligencia artificial como herramienta de apoyo para la realización de estudios ecofisiológicos, lo que puede mejorar el monitoreo del estado de las plantas endémicas de Oaxaca, por ejemplo, el helecho tipo espada, de forma automatizada.