dc.contributor | Gómez Jaramillo, Francisco Albeiro | |
dc.contributor | Martínez Niño, Carlos Alberto | |
dc.contributor | Computational Modeling of Biological Systems Research Group - COMBIOS | |
dc.creator | Leal Campuzano, Juan David | |
dc.date.accessioned | 2023-05-23T20:28:41Z | |
dc.date.accessioned | 2023-06-07T00:09:35Z | |
dc.date.available | 2023-05-23T20:28:41Z | |
dc.date.available | 2023-06-07T00:09:35Z | |
dc.date.created | 2023-05-23T20:28:41Z | |
dc.date.issued | 2022 | |
dc.identifier | https://repositorio.unal.edu.co/handle/unal/83845 | |
dc.identifier | Universidad Nacional de Colombia | |
dc.identifier | Repositorio Institucional Universidad Nacional de Colombia | |
dc.identifier | https://repositorio.unal.edu.co/ | |
dc.identifier.uri | https://repositorioslatinoamericanos.uchile.cl/handle/2250/6651775 | |
dc.description.abstract | La producción de polen corbicular es una actividad pecuaria de gran relevancia en el Colombia, especialmente en el departamento de Boyacá. La obtención de un sello de Denominación
de Origen para este producto puede agregar valor y mejorar las condiciones económicas de
los productores. Sin embargo, es fundamental contar con mecanismos que corroboren si una
muestra de producto proviene de una determinada región para verificar el origen del producto. Desafortunadamente, las estrategias de verificación geográfica actuales son costosas y de
difícil acceso para un productor.
En este trabajo se propuso un nuevo modelo basado en segmentación por color y aprendizaje automático supervisado para identificar automáticamente el origen geográfico de una
muestra de polen a partir de imágenes digitales adquiridas en condiciones controladas. La
estrategia propuesta logró un alto desempeño, en particular F1-score=0.85, lo que sugiere
que el método puede determinar con un alto nivel de certeza el productor y, en consecuencia,
el origen geográfico. (Texto tomado de la fuente). | |
dc.description.abstract | The production of corbicular pollen is an agriculture activity of great relevance in the country,
especially in the department of Boyac´a. Obtaining a Denomination of Origin seal for this
product can add value and improve the economic conditions of producers. However, it is
essential to have mechanisms that corroborate whether a product sample comes from a
certain region to verify the origin of the product. Unfortunately, current geo-verification
strategies are expensive and difficult for a producer to access.
In this work, a new model based on color segmentation and supervised machine learning
was proposed to automatically identify the geographic origin of a pollen sample from digital
images acquired under controlled conditions. The proposed strategy achieved a performance
of 0.85 in the F1-score, which suggests that the method can determine with a high level of certainty the producer and, consequently, the geographical origin. | |
dc.language | spa | |
dc.publisher | Universidad Nacional de Colombia | |
dc.publisher | Bogotá - Ciencias - Maestría en Ciencias - Matemática Aplicada | |
dc.publisher | Facultad de Ciencias | |
dc.publisher | Bogotá, Colombia | |
dc.publisher | Universidad Nacional de Colombia - Sede Bogotá | |
dc.relation | Abdul, N. ; Sebastian, P.: Improving the Accuracy and Efficiency of the k-means
Clustering Algorithm. 1 (2009) | |
dc.relation | Adele, C. ; Cutler, R. ; Stevens, J. ; Springer (Ed.): Random forest: Ensemble
Machine Learning: Methods and Applications. New York, 2012. – 157–175 p. | |
dc.relation | Ahmed, Nasir ; Rao, Kamisetty R.: Walsh-Hadamard Transform. Berlin, Heidelberg
: Springer Berlin Heidelberg, 1975. – 99–152 p. | |
dc.relation | Alley, Ronnald: Algorithm Theoretical Basis Document for Decorrelation Stretch.
(1996) | |
dc.relation | Almeida, M. ; Ligia ; Pamplona, Lucila ; Coimbra, Sılvia ; Barth, Ortrud: Chemical composition and botanical evaluation of dried bee pollen pellets. En: Journal of
Food Composition and Analysis - J FOOD COMPOS ANAL 18 (2005), p. 105–111 | |
dc.relation | Alpaydim, E. ; Dietterich, Thomas (Ed.): Introduction to machine learning. Cambridge, 2014. – 271–290 p. | |
dc.relation | Amaya, M.: Floral constancy in bees: a revision of theories and a comparison with
other pollinators. 35 (2009) | |
dc.relation | Arroyo, J. ; Travieso, M. ; Ticay, J.: Sistema de detección y clasificación automática
de granos de polen mediante técnicas de procesado digital de imágenes. 27 (2013) | |
dc.relation | Arthur, D. ; Vassilvitskii, S.: How slow is the k-means method? En: Annual
Symposium Computational Geometry 22 (2006) | |
dc.relation | Bishop, C. ; Springer (Ed.): Pattern recognition and machine learning. New York,
2006 | |
dc.relation | de fomento agropecuario Boyacá, Secretaría: Cadena Productiva de las Abejas
y la Apicultura-CPAA- Boyacá- censo Apíıcola. 2018. – Informe de Investigación | |
dc.relation | Bradbear, N.: Bees and their role in forest livelihoods A guide to the service provided
by bees and the sustainable harvesting, processing and marketing of their products. Roma,
2009. – 123–129 p. | |
dc.relation | Breiman, L.: Random forest: Machine learning. 1 (2001), p. 5–32 | |
dc.relation | Burger, W. ; Burger, J.: Principles of Digital Image Processing, fundamental tecniques. Springer, 2009 | |
dc.relation | Campos, M.: Standard methods for pollen research / Nota de opinión. Revista Mexicana de Biodiversidad. 2021. – Informe de Investigación | |
dc.relation | Carreira, Miguel A.: A review of mean-shift algorithms for clustering. En: CoRR
abs/1503.00687 (2015) | |
dc.relation | Cheng, H. ; Jiang, X.: Color image segmentation: advances and prospects. (2000) | |
dc.relation | Conti, I. ; Medrzycki, P. ; Grillenzoni, F. ; Corvucci, F. ; Tosi, S. ; Malagnini,
V. ; Spinella, M. ; Mariotti, M.: Floral diversity of pollen collected by honey bees
(Apis Mellifera L.)- Validation of the chromatic assessment method / University of
Genova. 2016. – Informe de Investigación | |
dc.relation | Dhawale, S. ; Tidke, J.: Neural Network based Classification of Pollen Grains. En:
International Conference on Advances in Computing (2013) | |
dc.relation | Dhawale, S. ; Tidke, J.: A New Approach to Pollen Classification using Computational Intelligence. (2017) | |
dc.relation | Garibaldi: Los polinizadores en la agricultura. 2012. – Informe de Investigación | |
dc.relation | Hastie, T. ; Tibshirani, R. ; Friedman, J. ; Springer (Ed.): The elements of
statistical learning. Data mining, inference, and prediction. 2. New York, 2008 | |
dc.relation | Hidalgo, M. ; Bootello, M. ; J., Pacheco: Origen floral de las cargas de polen
recogidas por apis mellifera L. en Alora (M´alaga España). (1990) | |
dc.relation | Hough, P. V. C.: I Method and means for recognizing complex patterns. (1962) | |
dc.relation | Hyde ; William, H.: Palynology nature. (1945) | |
dc.relation | Jing, J. ; Zujovic, J. ; Chakraborty, B. ; Egmond, R. ; Ridder, H. ; Pappas, T.:
Influence of Texture Structure on the Perception of Color Composition. (2020) | |
dc.relation | July, A. ; Hernandez , L. ; Grosso, S.: Métodos estadísticos para la clasificación
fisicoquímica del polen corbicular de la zona altoandina de Boyacá, Grupo de Investigaciones Mellitopalinológicas, Tesis de Grado, 2012 | |
dc.relation | Khwaldia, Khaoula ; Arab-Tehrany, Elmira ; Desobry, Stephane: Biopolymer
Coatings on Paper Packaging Materials. En: Comprehensive Reviews in Food Science
and Food Safety 9 (2010), Nr. 1, p. 82–91 | |
dc.relation | Kohavi, R.: Special issue on applications of machine learning and the knowledge
discovery process. 30 (1998), p. 127–132 | |
dc.relation | Kroyer, G. ; Hegedus, N.: Evaluation of bioactive properties of pollen extracts as
functional dietary food supplement. 2 (2001), p. 171–174 | |
dc.relation | Likas, A. ; Vlassis, N. ; Verbeek, J.: The global k-means clustering algorith. (2002) | |
dc.relation | Londoño , M.: Ciencia, tecnología e innovación para la producción apícola colombiana.
(2021) | |
dc.relation | Lucchese, L. ; Mitray, S.: Color Image Segmentation: A State-of-the-Art Survey.
(2010) | |
dc.relation | Lunau, K.: Notes on the colour of pollen. (1995) | |
dc.relation | Martínez, A.: Diagnóstico de la actividad apícola y de la crianza de la abejas en
Colombia. (2006) | |
dc.relation | Naser, M.: Insights into Performance Fitness and Error Metrics for Machine Learning.
(2006) | |
dc.relation | Nates, G. ; Montoya, P. ; Chamorro, F. ; Ramírez, N. ; Giraldo, C. ; Obregon ,
D.: Origen geográfico y botánico de mieles de Apiss mellifera APIDADE en cuantro departamentos de Colombia. Acta biológica colombiana, 2013. – Informe de Investigación.
– 427–438 p. | |
dc.relation | Otsu, N.: A Threshold Selection Method from Gray-Level Histograms. En: 1 9 (1979) | |
dc.relation | P., Sosenski ; Domínguez, C.: El valor de la polinización y los riesgos que enfrenta
como servicio ecosistémico. Nota de opinión. Revista Mexicana de Biodiversidad, 2018.
– Informe de Investigación. – 961–970 p. | |
dc.relation | Rodríguez, M. ; Cernadas, E. ; Formella, A. ; Fernández , M. ; De Sa-Otero ,
P.: Automatic Detection and Classification of Grains of Pollen Based on Shape and
Texture. IEEE transactions on systems,man, and cybernetics-part C: applications and
reviews, 2006. – Informe de Investigación | |
dc.relation | Sarasola, M. ; Tellería, I.: Análisis de polen corbicular recogido durante los años
2002 y 2003 en los colmenares de estudio ecoetológico de Oñati y Goizueta. Departamento de genética animal de la UPV, 2016. – Informe de Investigación | |
dc.relation | Sevillano, V. ; Holt, K. ; Aznarte, J.: Precise automatic classification of 46 different
pollen types with convolutional neural networks. (2020) | |
dc.relation | Steve, Y. ; Galatsanos, N.: Binary Decompositions for High-Order Entropy Coding
of Grayscale Images. (1996) | |
dc.relation | Sánchez, D.: Web-scale k-means clustering. (2010) | |
dc.relation | Sánchez, R.: Crianza y producción de abejas : apicultura. (2003) | |
dc.relation | Tidke, J. ; Dudl, S.: Neural Network based Classification of Pollen Grains. En:
International Conference on Advances in Computing (2013) | |
dc.relation | Tidke, J. ; Dudul, S.: A New Approach to Pollen Classification using Computational
Intelligence. (2017) | |
dc.relation | Vadivel, A. ; S., Sural.: Human color perception in the HSV space and its application
in histogram generation for image retrieval. (2005) | |
dc.relation | Vapnik, V. ; Wiley, John (Ed.) ; Sons (Ed.): Statistical Learning Theory. Chichester,
1998 | |
dc.relation | Vásques R. ; Ortega, N. ; Camargo, E. ; Corpoica (Ed.): Implementación de
buenas prácticas apícolas y el mejoramiento genético para la producción de miel y polen.
Mosquera Colombia, 2015 | |
dc.relation | Vásquez, R. ; Ballesteros, H. ; Muñoz, C. ; Cuellar ´ , M.: Utilización de la
abeja Apis mellifera como agente polinizador de cultivos comerciales de fresa (Fragaria
chiloensis) y mora (Rubusglaucus) y su efecto en la producción. (2006), p. 77 | |
dc.relation | Vásquez, R. ; Ballesteros, H. ; Tello, J. ; Castañeda, S. ; Calvo, N. ; Ortega,
N. ; Riveros, L.: Polinización dirigida con abejas Apis mellifera: tecnología para el
mejoramiento de la producción de cultivos con potencial exportador. (2011), p. 87 | |
dc.rights | Atribución-NoComercial-SinDerivadas 4.0 Internacional | |
dc.rights | http://creativecommons.org/licenses/by-nc-nd/4.0/ | |
dc.rights | info:eu-repo/semantics/openAccess | |
dc.title | Desarrollo de un modelo predictivo para determinar el origen geográfico de polen corbicular en Boyacá | |
dc.type | Trabajo de grado - Maestría | |