dc.contributorGómez Jaramillo, Francisco Albeiro
dc.contributorMartínez Niño, Carlos Alberto
dc.contributorComputational Modeling of Biological Systems Research Group - COMBIOS
dc.creatorLeal Campuzano, Juan David
dc.date.accessioned2023-05-23T20:28:41Z
dc.date.accessioned2023-06-07T00:09:35Z
dc.date.available2023-05-23T20:28:41Z
dc.date.available2023-06-07T00:09:35Z
dc.date.created2023-05-23T20:28:41Z
dc.date.issued2022
dc.identifierhttps://repositorio.unal.edu.co/handle/unal/83845
dc.identifierUniversidad Nacional de Colombia
dc.identifierRepositorio Institucional Universidad Nacional de Colombia
dc.identifierhttps://repositorio.unal.edu.co/
dc.identifier.urihttps://repositorioslatinoamericanos.uchile.cl/handle/2250/6651775
dc.description.abstractLa 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.abstractThe 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.languagespa
dc.publisherUniversidad Nacional de Colombia
dc.publisherBogotá - Ciencias - Maestría en Ciencias - Matemática Aplicada
dc.publisherFacultad de Ciencias
dc.publisherBogotá, Colombia
dc.publisherUniversidad Nacional de Colombia - Sede Bogotá
dc.relationAbdul, N. ; Sebastian, P.: Improving the Accuracy and Efficiency of the k-means Clustering Algorithm. 1 (2009)
dc.relationAdele, C. ; Cutler, R. ; Stevens, J. ; Springer (Ed.): Random forest: Ensemble Machine Learning: Methods and Applications. New York, 2012. – 157–175 p.
dc.relationAhmed, Nasir ; Rao, Kamisetty R.: Walsh-Hadamard Transform. Berlin, Heidelberg : Springer Berlin Heidelberg, 1975. – 99–152 p.
dc.relationAlley, Ronnald: Algorithm Theoretical Basis Document for Decorrelation Stretch. (1996)
dc.relationAlmeida, 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.relationAlpaydim, E. ; Dietterich, Thomas (Ed.): Introduction to machine learning. Cambridge, 2014. – 271–290 p.
dc.relationAmaya, M.: Floral constancy in bees: a revision of theories and a comparison with other pollinators. 35 (2009)
dc.relationArroyo, 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.relationArthur, D. ; Vassilvitskii, S.: How slow is the k-means method? En: Annual Symposium Computational Geometry 22 (2006)
dc.relationBishop, C. ; Springer (Ed.): Pattern recognition and machine learning. New York, 2006
dc.relationde fomento agropecuario Boyacá, Secretaría: Cadena Productiva de las Abejas y la Apicultura-CPAA- Boyacá- censo Apíıcola. 2018. – Informe de Investigación
dc.relationBradbear, 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.relationBreiman, L.: Random forest: Machine learning. 1 (2001), p. 5–32
dc.relationBurger, W. ; Burger, J.: Principles of Digital Image Processing, fundamental tecniques. Springer, 2009
dc.relationCampos, M.: Standard methods for pollen research / Nota de opinión. Revista Mexicana de Biodiversidad. 2021. – Informe de Investigación
dc.relationCarreira, Miguel A.: A review of mean-shift algorithms for clustering. En: CoRR abs/1503.00687 (2015)
dc.relationCheng, H. ; Jiang, X.: Color image segmentation: advances and prospects. (2000)
dc.relationConti, 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.relationDhawale, S. ; Tidke, J.: Neural Network based Classification of Pollen Grains. En: International Conference on Advances in Computing (2013)
dc.relationDhawale, S. ; Tidke, J.: A New Approach to Pollen Classification using Computational Intelligence. (2017)
dc.relationGaribaldi: Los polinizadores en la agricultura. 2012. – Informe de Investigación
dc.relationHastie, T. ; Tibshirani, R. ; Friedman, J. ; Springer (Ed.): The elements of statistical learning. Data mining, inference, and prediction. 2. New York, 2008
dc.relationHidalgo, M. ; Bootello, M. ; J., Pacheco: Origen floral de las cargas de polen recogidas por apis mellifera L. en Alora (M´alaga España). (1990)
dc.relationHough, P. V. C.: I Method and means for recognizing complex patterns. (1962)
dc.relationHyde ; William, H.: Palynology nature. (1945)
dc.relationJing, J. ; Zujovic, J. ; Chakraborty, B. ; Egmond, R. ; Ridder, H. ; Pappas, T.: Influence of Texture Structure on the Perception of Color Composition. (2020)
dc.relationJuly, 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.relationKhwaldia, 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.relationKohavi, R.: Special issue on applications of machine learning and the knowledge discovery process. 30 (1998), p. 127–132
dc.relationKroyer, G. ; Hegedus, N.: Evaluation of bioactive properties of pollen extracts as functional dietary food supplement. 2 (2001), p. 171–174
dc.relationLikas, A. ; Vlassis, N. ; Verbeek, J.: The global k-means clustering algorith. (2002)
dc.relationLondoño , M.: Ciencia, tecnología e innovación para la producción apícola colombiana. (2021)
dc.relationLucchese, L. ; Mitray, S.: Color Image Segmentation: A State-of-the-Art Survey. (2010)
dc.relationLunau, K.: Notes on the colour of pollen. (1995)
dc.relationMartínez, A.: Diagnóstico de la actividad apícola y de la crianza de la abejas en Colombia. (2006)
dc.relationNaser, M.: Insights into Performance Fitness and Error Metrics for Machine Learning. (2006)
dc.relationNates, 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.relationOtsu, N.: A Threshold Selection Method from Gray-Level Histograms. En: 1 9 (1979)
dc.relationP., 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.relationRodríguez, 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.relationSarasola, 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.relationSevillano, V. ; Holt, K. ; Aznarte, J.: Precise automatic classification of 46 different pollen types with convolutional neural networks. (2020)
dc.relationSteve, Y. ; Galatsanos, N.: Binary Decompositions for High-Order Entropy Coding of Grayscale Images. (1996)
dc.relationSánchez, D.: Web-scale k-means clustering. (2010)
dc.relationSánchez, R.: Crianza y producción de abejas : apicultura. (2003)
dc.relationTidke, J. ; Dudl, S.: Neural Network based Classification of Pollen Grains. En: International Conference on Advances in Computing (2013)
dc.relationTidke, J. ; Dudul, S.: A New Approach to Pollen Classification using Computational Intelligence. (2017)
dc.relationVadivel, A. ; S., Sural.: Human color perception in the HSV space and its application in histogram generation for image retrieval. (2005)
dc.relationVapnik, V. ; Wiley, John (Ed.) ; Sons (Ed.): Statistical Learning Theory. Chichester, 1998
dc.relationVásques 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.relationVásquez, 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.relationVásquez, 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.rightsAtribución-NoComercial-SinDerivadas 4.0 Internacional
dc.rightshttp://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rightsinfo:eu-repo/semantics/openAccess
dc.titleDesarrollo de un modelo predictivo para determinar el origen geográfico de polen corbicular en Boyacá
dc.typeTrabajo de grado - Maestría


Este ítem pertenece a la siguiente institución