El desarrollo de sistemas de identificación de hojas de plantas es un reto actual que comprende numerosas aplicaciones que van desde alimentación, medicina, industria y medio ambiente. En la literatura actual, se han propuesto varias técnicas con el objetivo de identificar plantas en diversos campos de aplicación. Sin embargo, las técnicas actuales están restringidas al reconocimiento e identificación de tipos de plantas limitados, utilizando descriptores de características específicos. En este artículo, se realiza un análisis comparativo de diversos métodos de extracción de características (texturales, cromáticas y geométricas) y clasificación sobre conjuntos de plantas muy similares y disimiles entre sí. Doce conjuntos de hojas con características de forma similares son estudiados utilizando varios clasificadores. Se analiza el desempeño de diferentes combinaciones de características en cada conjunto. Los resultados obtenidos muestran que para incrementar el desempeño de los clasificadores estudiados, es necesaria una combinación de las diferentes técnicas de extracción de características, esta necesidad es mayor cuando se trabaja con conjuntos de hojas con características muy similares. Además, se muestra el mejor desempeño de un clasificador con otro.

Abstract. Support Vector Machines (SVM) have shown excellent generalization power in classification problems. However, on skewed data-sets, SVM learns a biased model that affects the classifier performance, which is severely damaged when the unbalanced ratio is very large. In this paper, a new external balancing method for applying SVM on skewed data sets is developed. In the first phase of the method, the separating hyperplane is computed. Support vectors are then used to generate the initial population of PSO algorithm, which is used to improve the population of artificial instances and to eliminate noise instances. Experimental results demonstrate the ability of the proposed method to improve the performance of SVM on imbalanced data-sets.

No abstract

No abstract

No abstract