Robot Autónomo para la detección y clasificación de fresas en campos de cultivo mediante Deep Learning

Autores/as

DOI:

https://doi.org/10.22201/dgtic.26832968e.2023.8.6

Palabras clave:

Agricultura, Deep Learning, Detección, Robot autónomo, Tecnología

Resumen

Se realiza un acercamiento a las principales tecnologías
para el desarrollo de aplicaciones móviles (apps) disponibles en el mercado actual. Se explican las principales
características de las tecnologías: web móvil, de código
nativo tanto tradicionales como híbridas, así como las
ventajas y desventajas de utilizar cada una de ellas. Se
abordan los problemas que los desarrolladores experimentan al emplear plataformas híbridas, se brindan sugerencias para la elección de la mejor tecnología y se ofrecen algunas conclusiones.

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

Luis Ándres Moreno Jiménez, Universidad Politécnica de Guanajuato, Centro de Investigaciones en Óptica en el Laboratorio de Percepción y Robótica. León, Guanajuato, México.

Estudiante de maestría en el Centro de Investigaciones en Óptica (CIO) en el Laboratorio de Percepción y Robótica (LAPyR), egresado de ingeniería en robótica por parte de la Universidad Politécnica de Guanajuato (UPG). Actualmente enfocado en robótica y SLAM (Simultaneous Localization and Mapping), visión e inteligencia artificial para vehículos autónomos en entornos urbanos y agrícolas.

Gesem Gudiño Mejía, Intel Labs

Se formó en el Centro de Investigaciones en Óptica, enfocándose en machine learning y deep learning en el Laboratorio de Percepción y Robótica. Actualmente trabaja como Software Research Engineer en Intel Labs, donde aplica su especialización en inteligencia artificial para avanzar en proyectos innovadores. Su trabajo destaca por la integración de técnicas avanzadas de aprendizaje automático en soluciones tecnológicas de vanguardia.

Andrés Montes de Oca Rebolledo, Universidad de California Davis, Departamento de Ingeniería Biológica y Agrícola. California, Estados Unidos.

Obtuvo su licenciatura en Ingeniería Electrónica en el Instituto Tecnológico Nacional de México, su maestría en Optomecatrónica y su doctorado en Ciencia y Tecnología en el CIO, en 2016, 2018 y 2023, respectivamente. Actualmente realiza su estancia postdoctoral en el Departamento de Ingeniería Biológica y Agrícola de UC Davis. Sus líneas de investigación involucran robótica, inteligencia artificial, procesamiento de imágenes y control de vehículos aéreos no tripulados, principalmente para aplicaciones de robótica.

Gerardo Flores, Universidad Politécnica de Guanajuato, Centro de Investigaciones en Óptica en el Laboratorio de Percepción y Robótica. León, Guanajuato, México.

Obtuvo su licenciatura en Ingeniería Electrónica en el Instituto Tecnológico Nacional de México, su maestría en Control Automático en el CINVESTAV y su doctorado en Tecnología de la Información y Sistemas en la Université de Technologie de Compiègne, Francia, en 2007, 2010 y 2014, respectivamente. De 2014 a 2016, fue asociado postdoctoral en el Laboratorio Franco-Mexicano de Informática y Control Automático.
Desde 2016, Gerardo Flores es fundador y director del Laboratorio de Percepción y Robótica [LAPyR] en el Centro de Investigaciones en Óptica de León Guanajuato, México, donde también es Profesor Asociado. Desde octubre de 2023 es Faculty Guest en la Jonsson School de la Universidad de Texas en Dallas en el Departamento de Ingeniería de Sistemas.
El Dr. Flores ha publicado alrededor de 100 artículos científicos en revistas y conferencias internacionales. Es editor asociado de IEEE Access, Mathematical Problems in Engineering y Plos One. También forma parte del consejo editorial de la International Conference on Unmanned Aircraft Systems. Sus intereses de investigación se centran actualmente en el control no lineal de vehículos aéreos no tripulados y sistemas mecatrónicos, con especial énfasis en las aplicaciones.

Citas

[1] M. A. Altieri, "La agricultura tradicional como legado agroecológico para la humanidad," PH: Boletín del Instituto Andaluz del Patrimonio Histórico, vol. 29, no. 104, pp. 180-197, 2021.

[2] H. Bhardwaj et al., "Artificial intelligence and its applications in agriculture with the future of smart agriculture techniques," in Artificial Intelligence and IoT-Based Technologies for Sustainable Farming and Smart Agriculture, IGI Global, 2021, pp. 25-39.

[3] S. T. Doddamani, S. Karadgi, and A. C. Giriyapur, "Multi-Label Classification of Cotton Plant with Agriculture Mobile Robot," in Data Intelligence and Cognitive Informatics: Proceedings of ICDICI 2021, Singapore, Springer Nature Singapore, 2022, pp. 759-772.

[4] A. Sharma et al., "Machine learning applications for precision agriculture: A comprehensive review," in IEEE Access, vol. 9, pp. 4843-4873, 2020.

[5] Z. Niu, G. Zhong, and H. Yu, "A review on the attention mechanism of deep learning," in Neurocomputing, vol. 452, pp. 48-62, 2021.

[6] G. Mejia, A. M. de Oca, and G. Flores, "Strawberry localization in a ridge planting with an autonomous rover," in Engineering Applications of Artificial Intelligence, vol. 119, pp. 105810, 2023.

[7] B. Hill, T. Roger, and F. W. Vorhagen, "Comparative analysis of the quantization of color spaces on the basis of the CIELAB color-difference formula," in ACM Transactions on Graphics (TOG), vol. 16, no. 2, pp. 109-154, 1997.

[8] E. Agudo, P. J. Pardo, H. Sánchez, Á. L. Pérez, and M. I. Suero, "A low-cost real color picker based on Arduino," in Sensors, vol. 14, no. 7, pp. 11943-11956, 2014.

[9] LeCun, Y. Bengio, and G. Hinton, "Deep learning," in Nature, vol. 521, no. 7553, pp. 436-444, 2015.

[10] Deng, W. Dong, R. Socher, L. J. Li, K. Li, and L. Fei-Fei, "ImageNet: A large-scale hierarchical image database," in 2009 IEEE Conference on Computer Vision and Pattern Recognition, June 2009, pp. 248-255.

[11] T. Shao, Y. Wang, G. Xuan, Z. Gao, Z. Hu, C. Gao, and K. Wang, "Assessment of strawberry ripeness using hyperspectral imaging," in Analytical Letters, vol. 54, no. 10, pp. 1547-1560, 2020.

[12] Liu and D. Xiao, "Recognition method of mature strawberry based on improved SSD deep convolutional neural network," in Bio-inspired Computing: Theories and Applications: 14th International Conference, BIC-TA 2019, Zhengzhou, China, November 22–25, 2019, Revised Selected Papers, Part II, vol. 14, pp. 271-281, Springer Singapore, 2020.

Descargas

Publicado

24/11/23 (12:00)

Cómo citar

Moreno Jiménez, L. Ándres, Gudiño Mejía, G., Montes de Oca Rebolledo, A., & Flores, G. (2023). Robot Autónomo para la detección y clasificación de fresas en campos de cultivo mediante Deep Learning. TIES, Revista De Tecnología E Innovación En Educación Superior, (8), 37–44. https://doi.org/10.22201/dgtic.26832968e.2023.8.6

Número

Núm. 8 (2023): Número 8. Inteligencia Artificial para la solución de problemas sociales

Sección

Artículos

Licencia

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.

TIES, Revista de Tecnología e Innovación en Educación Superior, es una publicación semestral de acceso abierto bajo la licencia Creative Commons Atribución-No Comercial 4.0 Internacional (CC BY-NC 4.0). 

ISSN 22683-2968 • © 2026 Universidad Nacional Autónoma de México. TIES, Revista de Tecnología e Innovación en Educación Superior es editada por la Universidad Nacional Autónoma de México a través de la Dirección General de Cómputo y de Tecnologías de Información y Comunicación (DGTIC).  Circuito exterior s/n, Ciudad Universitaria, Alcaldía Coyoacán, C.P. 04510, Ciudad de México, México • Reserva de Derechos de Autor otorgado por INDAUTOR: 04-2019-011816190900-203.

El contenido de los artículos es responsabilidad de los autores y no refleja el punto de vista del Comité editorial, del Editor o de la Universidad Nacional Autónoma de México. Hecho en México, 2026.