Mostrar el registro sencillo del ítem

Prediction of the corn grains yield through artificial intelligence

dc.contributor.authorVarela, Noelspa
dc.contributor.authorSilva, Jesusspa
dc.contributor.authorBonerge Pineda, Omarspa
dc.contributor.authorCabrera, Danelysspa
dc.date.accessioned2021-10-08T20:49:28Z
dc.date.available2021-10-08T20:49:28Z
dc.date.issued2021
dc.identifier.issn1877-0509spa
dc.identifier.urihttps://hdl.handle.net/11323/8785spa
dc.description.abstractCurrently, the determination of the quality of the cereals is done manually by grain classifier experts prior to the marketing stage. In this paper we present a web software tool that allows determining the quality level of a corn sample automatically from an image of it. Image processing algorithms were implemented to correct distortions caused mainly by the capture process. The K-Means classification algorithm was used and a function was developed to calculate the hectolitre weight in relation to the sample area. The results obtained by the application for grades 1 and 2, are close to those measured by the experts. However, those for grade 3 have not been similar since the subsamples selected were not representative.spa
dc.format.mimetypeapplication/pdfspa
dc.language.isoeng
dc.publisherCorporación Universidad de la Costaspa
dc.rightsCC0 1.0 Universalspa
dc.rights.urihttp://creativecommons.org/publicdomain/zero/1.0/spa
dc.sourceProcedia Computer Sciencespa
dc.subjectCereal qualityspa
dc.subjectImage processingspa
dc.subjectWeb toolspa
dc.titlePrediction of the corn grains yield through artificial intelligencespa
dc.typeArtículo de revistaspa
dc.source.urlhttps://www.sciencedirect.com/science/article/pii/S1877050920305172#!spa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.identifier.doihttps://doi.org/10.1016/j.procs.2020.03.080spa
dc.identifier.instnameCorporación Universidad de la Costaspa
dc.identifier.reponameREDICUC - Repositorio CUCspa
dc.identifier.repourlhttps://repositorio.cuc.edu.co/spa
dc.relation.references[1] Ramírez, J. (2010). Rendimiento y calidad de cinco gramíneas en el Valle del Cauto. Tesis en opción al grado de Doctor en Ciencias Veterinarias. Instituto de Ciencias Agrícolas. La Habana. Cuba.spa
dc.relation.references[2] SenseFly. (2014). El dron para la agricultura de precisión. Disponible en: https://www.sensefly.com/fileadmin/user_upload/sensefly/documents/bro chures/eBee_Ag_es.pdf [Consultado el 29 de septiembre del 2015].spa
dc.relation.references[3] Cruz, M. C., Rodríguez, L. C. y Vi, R. G. (2013). Evaluación agronómica de cuatro nuevas variedades de pastos. Revista de Producción Animal, 25(1).spa
dc.relation.references[4] Erenturk, K., Erenturk, S. yTabil, L. G. (2004). A comparative study for the estimation of dynamical drying behavior of Echinacea angustifolia: regression analysis and neural network. Computers and Electronics in Agriculture, 45(1-3).spa
dc.relation.references[5] Hernández, D., Carballo, M. y Reyes, F. (2000). Reflexiones sobre el uso de los pastos en la producción sostenible de leche y carne de res en el trópico. Pastos y Forrajes,23(4).spa
dc.relation.references[6] Hernández, R. M., Pérez, V. R. y Caraballo, E. A. H. (2012). Predicción del rendimiento de un cultivo de plátano mediante redes neuronales artificiales de regresión generalizada. Publicaciones en Ciencias y Tecnología, 6(1).spa
dc.relation.references[7] López, A. M., Adolfo, A., Guido, J. P. y Ortega, A. C. (2006). Software de Predicción de la Producción Forrajera. Disponible en: http://www.unne.edu.ar/unnevieja/Web/cyt/cyt/2001/8-Exactas/E-002.pdf [Consultado el 29 de septiembre del 2015].spa
dc.relation.references[8] Martín, B. yMolina, A. S. (2001). Redes neuronales y sistemas borrosos. 2ªed.España: Alfaomega. Ra-Ma.spa
dc.relation.references[9] Lezama, O. B. P., Izquierdo, N. V., Fernández, D. P., Dorta, R. L. G., Viloria, A., Marín, L. R.: Models of Multivariate Regression for Labor Accidents in Different Production Sectors: Comparative Study. In International Conference on Data Mining and Big Data, Springer, Cham, 10942 (1), 43-52 (2018).spa
dc.relation.references[10] Suárez, J. A., Beatón, P. A., Escalona, R. F., Montero, O. P.: Energy, environment and development in Cuba. Renewable and Sustainable Energy Reviews, 16(5), 2724-2731 (2012).spa
dc.relation.references[11] Sala, S., Ciuffo, B., Nijkamp, P.: A systemic framework for sustainability assessment. Ecological Economics 119 (1), 314-325 (2015).spa
dc.relation.references[12] Singh, R. K., Murty, H. R., Gupta, S. K., Dikshit, A. K.: An overview of sustainability assessment methodologies. Ecological indicators 9(2), 189-212 (2009).spa
dc.relation.references[13] Sánchez L., Vásquez C., Viloria A., Rodríguez Potes L. (2018) Greenhouse Gases Emissions and Electric Power Generation in Latin American Countries in the Period 2006–2013. In: Tan Y., Shi Y., Tang Q. (eds) Data Mining and Big Data. DMBD 2018. Lecture Notes in Computer Science, vol 10943. Springer, Chamspa
dc.relation.references[14] Aitkenhead, M. J., Dalgetty, I. A., Mullins, C. E. y Strachan, N. J. C. (2003). Weed and crop discrimination using image analysis and artificial intelligence methods. Computers and Electronics in Agriculture, 39(3).spa
dc.relation.references[15] Varela, N., Fernandez, D., Pineda, O., Viloria, A.: Selection of the best regression model to explain the variables that influence labor accident case electrical company. Journal of Engineering and Applied Sciences 12 (1), 2956-2962 (2017).spa
dc.relation.references[16] Olivera, Y., Machado, R. y Pozo, P. P. (2006). Características botánicas y agronómicas de especies forrajeras importantes del género Brachiaria. Pastos y Forrajes, 29(1).spa
dc.relation.references[17] Bezerra, B. G.; Da Silva, B. B., Bezerra, J. R. C., Brandão, Z. N.: Evapotranspiração real obtida através da relação entre o coeficiente dual de cultura da FAO-56 e o NDVI. Revista Brasileira de Meteorologia 25 (3), 404 – 414 (2010).spa
dc.relation.references[18] Diaz-Balteiro, L., González-Pachón, J., Romero, C.: Forest management with multiple criteria and multiple stakeholders: An application to two public forests in Spain. Scandinavian Journal of Forest Research 24(1), 87-93 (2009).spa
dc.relation.references[19] Hák, T., Janoušková, S., Moldan, B.: Sustainable Development Goals: A need for relevant indicators. Ecological Indicators 60 (1), 565-573 (2016).spa
dc.relation.references[20] Lampayan, R. M., Rejesus, R. M., Singleton, G. R., Bouman, B. A.: Adoption and economics of alternate wetting and drying water management for irrigated lowland rice. Field Crops Research 170 (1), 95-108 (2015).spa
dc.relation.references[21] Delgado. A., Blanco, F. M.: Modelo Multicriterio Para El Análisis De Alternativas De Financiamiento De Productores De Arroz En El Estado Portuguesa, Venezuela. AGROALIMENTARIA 28 (1), 35-48 (2009).spa
dc.type.coarhttp://purl.org/coar/resource_type/c_6501spa
dc.type.contentTextspa
dc.type.driverinfo:eu-repo/semantics/articlespa
dc.type.redcolhttp://purl.org/redcol/resource_type/ARTspa
dc.type.versioninfo:eu-repo/semantics/acceptedVersionspa
dc.type.coarversionhttp://purl.org/coar/version/c_ab4af688f83e57aaspa
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2spa


Ficheros en el ítem

Thumbnail
Nombre:
Prediction of the Corn Grains ...
Tamaño:
1.409Mb
Formato:
PDF
Ver/
Thumbnail
Nombre:
license_rdf
Tamaño:
701bytes
Formato:
application/rdf+xml
Ver/

Este ítem aparece en la(s) siguiente(s) colección(ones)

  • Artículos científicos [3154]
    Artículos de investigación publicados por miembros de la comunidad universitaria.

Mostrar el registro sencillo del ítem

CC0 1.0 Universal
Excepto si se señala otra cosa, la licencia del ítem se describe como CC0 1.0 Universal