Índice general

Índice general 3

1. Antecedentes 4

2. Justificación 7

3. Descripción Del Problema 9

4. Fundamentación Teórica 11

5. Hipótesis y Objetivos 14
5.1. Hipótesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
5.2. Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
5.3. Objetivos Especificos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

6. Metodología 16
6.1. Recursos Materiales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
6.2. Recursos Humanos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
6.3. Consideraciones Éticas De La Investigación Académica . . . . . . . . . . 18

7. Resultados Esperados 19

3
1

Antecedentes

El Aprendizaje Profundo o en inglés Deep Learning es definido por [Luckow et al., 2016]
como un conjunto de técnicas pertenecientes al Aprendizaje Automático (Machine Lear-
ning) conocidas como redes neuronales profundas (Deep Neuronal Networks), estas son
capaces de realizar diversas y complejas tareas como la clasificación de imágenes, identi-
ficación de voz e incluso de comprender un lenguaje. Como consecuencia, el aprendizaje
profundo ha logrado grandes avances en la solución de problemas que cuentan con una
gran cantidad de datos que pueden ser explotados por las redes neuronales profundas, por
lo que pueden ser aplicables en diferentes áreas como la ciencia, empresas y el gobierno
[LeCun et al., 2015].

La agricultura es otra de las áreas que ha comenzado a utilizar nuevos enfoques tecnoló-
gicos como la visión por computadora, la inteligencia artificial y el aprendizaje profun-
do, así lo menciona [Bargoti and Underwood, 2016] en donde se realiza una clasificación
de imágenes de una huerta. La recolección de las imágenes tiene lugar en un huerto de
manzanos y es llevada acabo por un vehículo terrestre equipado con una cámara encar-
gado de recorre el huerto. Esta clasificación de imágenes se realiza mediante el uso de
una arquitectura denominada perceptrón multicapa (Multilayer Perceptron) permitiendo
la detección de frutos de los cultivos de manzanas. Los resultados destacan que existe una
mejora en la precision al momento de poder realizar la segmentación y detección de los
frutos haciendo la inclusión de los metadatos como parte de la información.

Otro enfoque novedoso se muestra en el trabajo realizado por [Sladojevic et al., 2016]

4
en donde se desarrolló un método mediante el uso de redes neuronales profundas y la
clasificación de imágenes que permitió la de detección de enfermedades en plantas. Los
resultados experimentales obtenidos fueron la detección de 13 diferentes tipos de enfer-
medades de plantas con una precision promedio del 96.3 %. Sin embargo en un acerca-
miento posterior [Ferentinos, 2018] reportó un 99.53 % de precision en la detección de
enfermedades haciendo uso de VGG una red neuronal convolucional. De igual manera
[Durmuş et al., 2017] aborda el tema de detección de enfermedades de plantas en tiempo
real pero en esta ocasión para plantas de jitomate en invernaderos. Se utilizó un robot
autónomo para obtener las imágenes de las plantas de jitomate y dos arquitecturas de
aprendizaje profundo AlexNet y SqueezeNet, para ambas arquitecturas se evaluó la preci-
sión en el conjunto de prueba, el tamaño del modelo y el tiempo de inferencia, obteniendo
mejores resultados en cuanto al tiempo de inferencia para SqueezeNet.

Los más recientes avances en las redes neuronales profundas han permitido mejorar de
manera drástica la precision y el tiempo en detectar enfermedades y plagas en las plantas
tal como presenta [Fuentes et al., 2017], se capturaron imágenes de plantas de jitomate
en diferentes granjas de Korea y se utilizaron 3 diferentes modelos de detectores: Red
neuronal convolucional basada en la región más rápida (FR-CNN más rápida), Red total-
mente convolucional basada en la región (R-FCN) y Detector multibox de disparo único
(SSD) ademas de combinar extractores de características como VGG y Residual Network
(ResNet). Como resultado se obtuvo un sistema robusto que permite identificar la región
afectada por cualquiera de los 9 diferentes tipos de enfermedades y plagas.

Otra orientación dentro de la agricultura en la que se han aplicado las técnicas de apren-
dizaje profundo es planteada en [Baweja et al., 2018] donde se ha analizado los fenotipos
de interés como la cantidad de tallos y el ancho de estos en diferentes tipos de plantas
como el sorgo, la caña de azúcar y el maíz. Teniendo como objetivo estimar las propie-
dades de las plantas en menor tiempo y mayor precisión contra los métodos manuales
convencionales. Los resultados reportados muestran que el método utilizado es 30 veces
más rápido para el conteo de tallos y 270 veces más rápido para la medición del ancho del
tallo.

5
La predicción precisa y confiable de cultivos previa a la cosecha es fundamental en las
actividades de logística y planeación por lo que se ha tornado en un problema que ha re-
cibido una atención significativa, ya que en escenarios reales las imágenes de los racimos
de cultivos suelen estar demasiados juntos y los métodos tradicionales fallan al realizar
las estimaciones [Häni et al., 2018] presenta una solución al conteo de cultivos mediante
el uso de imágenes a base de una red neuronal convolucional logrando resultados de entre
el 96-97 % de precisión. Un acercamiento similar es presentado por [Lin and Chen, 2018]
donde se compararon 3 métodos diferentes para la localización de flores de fresa basados
en R-CNN, FR-CNN y Faster R-CNN presentando resultados 63.4 %, 76.7 % y 86.1 %
respectivamente ofreciendo una solución viable en comparación al conteo manual para la
estimación de producción de fresa.

Finalmente [Kitpo et al., 2019] comenta que el IoT desempeña un papel importante den-
tro de la agricultura brindado apoyo a los agricultores en diferentes actividades como el
monitoreo de temperatura, humedad y suministro de agua en conjunto con un modelo de
de aprendizaje profundo que es capaz de identificar jitomates y posteriormente clasifi-
carlos dentro de alguna de las 6 etapas de crecimiento con una precisión del 91.5 % se
otorgan soluciones agrícolas inteligentes.

6
2

Justificación

Actualmente la agro-tecnología y la agricultura de precisión [Liakos et al., 2018] median-

te una gran variedad de sensores, ha permitido obtener una gran cantidad de datos e infor-
mación, facilitando un mejor análisis del suelo, condiciones climáticas e incluso una in-
teracción más dinámica y eficiente con plantas y cultivos. Dentro de este amplió grupo de
información recolectada por estos sensores se encuentran las imágenes, como consecuen-
cia, el análisis de imágenes es un área de investigación importante para el sector agrícola
[Ozdogan et al., 2010]. Dado que la tendencia en el área agrícola es maximizar la rentabi-
lidad en la producción, se ha fomentando el uso de tecnologías como lo son la inteligencia
artificial, el aprendizaje profundo y visión por computadora que permitan alcanzar estos
objetivos. Utilizando técnicas de aprendizaje profundo se ha logrado clasificación, detec-
ción de anomalías, identificación de plagas, entre otras [Singh et al., 2016]. Esto de una
manera menos invasiva, evitando alteraciones en el crecimiento y desarrollo de la plan-
tas y cultivos. Algunas de las ventajas que ofrece el aprendizaje profundo es que posee
la capacidad de realizar la extracción de características de manera automática, es capaz
de resolver problemas de gran complejidad con gran exactitud y en tiempos reducidos.
El aprendizaje profundo debido a su estructura jerárquica permite efectuar actividades
de clasificación y predicción con gran facilidad, conviertiendolo en un modelo flexible
y adaptable. Sin embargo una de las desventajas que posee el aprendizaje profundo es
que para realizar las actividades mencionadas necesita una gran cantidad de información
para poder realizar el entrenamiento que requiere una gran cantidad de tiempo y recur-
sos comunicacionales. Con el uso de estas técnicas es posible analizar las características

7
de las plantas y cultivos con un alto grado de exactitud, permitiendo realizar la toma de
decisiones evitando situaciones que pudiesen poner en riesgo la producción.

8
3

Descripción Del Problema

La agricultura [Liakos et al., 2018] hoy en día es una de las áreas con mayor importancia
dentro de la economía global y al ser la encargada de solventar las necesidades alimen-
ticias de la sociedad sufre una gran presión en medida que la población incrementa. El
tomate (Lycopersicon esculentum Mill) es uno de los cultivos con mayor demanda del
mundo así lo menciona [Durmuş et al., 2017] en su investigación. De acuerdo con la Or-
ganización de las Naciones Unidas para la Alimentación y la Agricultura reporta que en
el año de 2016 se obtuvieron 179,508,401 toneladas de tomate cultivado a nivel global
[FAO, 2019]. Los datos reportados por el Observatorio de Economía Compleja estima
que la Unión Europea aporto aproximadamente un 48 % del total de las exportaciones,
mientras tanto Norteamérica aporto el 30 %, África y Asía con el 11 % y Oceanía y Suda-
mérica con menos de 1 % [OEC, 2019].
México a nivel global se encuentra posicionado como uno de los principales proveedores
de tomate con una participación en el mercado internacional del 24 % del total de las ex-
portaciones mundiales, sin embargo para el 2030 se estima un incremento acumulado en
la demanda del 32.10 % [SAGARPA, 2017].
Este incremento es un nuevo reto así lo asegura [Kamilaris and Prenafeta-Boldú, 2018]
debido a que el área cultivable ha ido sufriendo reducciones aunado a la agenesia de los
suelos, las irregularidades climáticas han orillado a utilizar nuevas técnicas de produc-
ción que permitan asegurar la disponibilidad y la calidad. Una de estas nuevas técnicas
[Mehra et al., 2018] que ha sido adoptada por un gran número de piases, es la hidroponía
bajo invernadero, la cual permite cultivar sin la necesidad de un suelo, permite tener un

9
mayor control sobre diversos factores como el medio ambiente, reduciendo los efectos
adversos que pudieran afectar a los cultivos.
Actualmente en la Universidad Autónoma de Querétaro campus Amazcala, ubicado en
el poblado de Amazcala, municipio de El Marqués, Querétaro, a 26 kilómetros de la ca-
pital del Estado, se cuentan con invernaderos hidropónicos donde se cultivan diferentes
hortalizas dentro de las cuales destaca el tomate. Los invernaderos de Campus Amazcala
son capaces de producir 14 toneladas de tomate a la semana. Sin embargo como ya se
menciono la tendencia es optimizar el uso de insumos y recursos para con ello maximi-
zar el rendimiento y calidad de los cultivos, minimizando las perdidas. La capacidad de
las técnicas de inteligencia artificial, aprendizaje, profundo y visión por computadora se
encuentran un paso más adelante de las limitadas capacidades humanas, lo que permite
una clasificación, estimación de calidad, precision de rendimiento, monitoreo entre otros,
aportando información vitalque permita evaluar objetivamente la toma de decisiones en
los procesos a largo plazo.

10
4

Fundamentación Teórica

Los deseos de construir máquinas capaces de pensar se remontan al menos a tiempos de

la antigua Grecia, por un lado tenemos a inventores como Dédalo, Hefestos y Pigmalión,
por el otro tenemos a Talos, Pandora y Galatea que podríamos considerarlas como vidas
artificiales [Goodfellow et al., 2016]. A lo largo del siglo veinte se han presentado even-
tos que han cambiado la historia de la humanidad tales como, la publicación de la teoría
de la relatividad, guerras nucleares, el hombre caminando sobre la luna, por mencionar
algunos, sin embargo uno de los mas pasmosos ha sido la aparición de la computadora
que a lo largo del tiempo ha ido evolucionando de un sencillo dispositivo de cálculo a ser
una máquina que cuasi piensa [Cohen and Cohen, 1991].
En la actualidad la Inteligencia Artificial ha podido desarrollar sistemas y entidades ca-
paces de realizar actividades que involucran la toma de decisiones imitando procesos bio-
lógicos asociados al aprendizaje y procesos cognitivos humanos, sin embargo para la im-
plementación de un sistema inteligente artificial existen tres temas de suma importancia,
el manejo de incertidumbre, la toma de decisiones y el cómo aprender, para cada una de
estos temas se han desarrollado diferentes herramientas y técnicas como las redes bayesia-
nas, los procesos de decisión de Markov y el aprendizaje automático [Mata et al., 2018].
El aprendizaje automático hace uso de un modelo llamado red neuronal artificial, la inves-
tigación de este modelo es propuesta por McCulloch-Pits (MP) en 1940, quienes toman
inspiración de su homologo analógico la neurona humana [Du et al., 2016]. Desde la in-
troducción de las redes neuronales estas han sido objeto de investigación y desarrollo
abriendo paso a nuevas redes neuronales como la neurona Perceptrón propuesta por el

11
Dr. Frank Rosenblatt [Rosenblatt, 1958] o la red Hopfield desarrollada por Jonh Hopfield
[Hopfield, 1982]. En 1980 inspirada nuevamente en estructuras orgánicas como la corteza
del cerebro humano, Kunihiko Fukushima desarrolla el Neocognitron siendo la mayor in-
fluencia de las redes neuronales convolucionales [Nguyen et al., 2015]. Durante los años
de 1990 se propusieron otros modelos de aprendizaje automático como las maquinas de
soporte vectorial [Cortes and Vapnik, 1995] y el Boosting [Freund and Schapire, 1997].
En 2006 el termino aprendizaje profundo es utilizado por [Hinton et al., 2006]. En este
sentido [Luckow et al., 2016] contextualiza que el aprendizaje profundo puede referirse a
un conjunto de técnicas de aprendizaje automático que utilizan redes neuronales con mu-
chas capas ocultas para tareas, como clasificación de imágenes, reconocimiento de voz
y comprensión del lenguaje. A si mismo [Alipourfard et al., 2018] sostiene que las redes
neuronales convolucionales son una de las técnicas de aprendizaje profundo que han de-
mostrado un rendimiento notable en aplicaciones de reconocimiento visual.
De acuerdo con [Nielsen, 2015] la unidad mínima elemental de una red neuronal artificial
es la neurona la cual consta de entradas, x1 , x2 ,... y los valores de estas entras puedes ser
entre 0 y 1, para cada entrada existe un peso correspondiente w1 , w2 ... y un sesgo general,
b. La salida de la neurona esta determinada de la siguiente forma σ(wx+b), en donde σ es
llamada función sigmoide y se encuentra definida por la formula 4.1.

1
σ(z) ≡ (4.1)
1 + e−z

De manera más explicita podemos decir que la salida de una neurona sigmoide con entra-
das x1 , x2 ,..., pesos w1 , w2 ... y un sesgo general, b, es 4.2

1
P (4.2)
1 + exp(− j wj xj − b)

La representación gráfica de la función sigmoide se puede apreciar en la figura 4.1.

12
 1
0,8

0,6

0,4

0,2

0
-6 -4 -2 0 2 4 6

Figura 4.1: Gráfica de función sigmoide.

La estructura básica de una red neuronal artificial se muestra en la siguiente figura 4.2.

Capa entrada Capa oculta Capa salida

E1
O1

E2 S1

E3
.. ..
.. .
O2
. S2

E4
.
Figura 4.2: Topología de una red neuronal artificial.

Las redes neuronales con el paso del tiempo han ganado aprecio sobre algunas otras téc-
nicas de aprendizaje automático (Machine Learning) debido a que han mostrado un mejor
rendimiento en la mayoría de los problemas de predicción y clasificación [Singh et al., 2018].
Por tanto se ha considerado idóneo el uso de técnicas de aprendizaje profundo median-
te modelos de redes neuronales artificiales que permitan analizar imágenes de plantas de
tomate obteniendo las características de estas para encontrar patrones permitiendo predic-
ciones y clasificaciones confiables.

13
5

Hipótesis y Objetivos

5.1. Hipótesis
Mediante el uso de técnicas de aprendizaje profundo, es posible desarrollar un sistema
capaz de extraer los fenotipos en plantas de tomate hidropónicas, permitiendo predecir la
cantidad y la calidad de los cultivos previo a su nacimiento de manera exacta y confiable.

5.2. Objetivos
Diseñar y desarrollar un sistema de aprendizaje profundo basado en redes neuronales con-
volucionales, que permita la estimación y predicción de la calidad de cultivos de tomate
hidropónico.

5.3. Objetivos Especificos

Crear la base de datos de imágenes que se utilizará para entrenar y probar el sistema.

Realizar el análisis y diseño de un algoritmo que permita la predicción de la calidad

de cultivos de tomate hidropónico.

Implementar un algoritmo que permita la predicción de la calidad de cultivos de

tomate hidropónico.

Entrenar el modelo de la red, con imágenes de plantas de tomate hidropónicas.

14
Probar el modelo con una parte de la base de datos de las imágenes.

Validar el modelo propuesto contra otras técnicas de aprendizaje automático, como

máquinas de soporte vectorial, u otras técnicas de procesamiento digital de imáge-
nes.

Validar los resultados obtenidos con la red neuronal contra los resultados obtenidos
en la realidad.

15
6

Metodología

Para la realización de este proyecto se pretende utilizar algoritmos de aprendizaje profun-

do, para la extracción de fenotipos que permitan realizar la estimación y predicción de la
calidad de los cultivos. Las redes neuronales profundas son herramientas del aprendizaje
profundo y acuerdo a la literatura revisada están consideradas como una de las técnicas
mas adecuadas para el reconocimiento, clasificación y extracción de características de
imágenes.
Se ha propuesto una metodología de trabajo que permita estandarizar, estructurar y orga-
nizar la forma de trabajo. En un sentido amplio y general como primer paso de la meto-
dología se tiene establecido la recopilación de las imágenes de plantas de tomate, como
continuación se organizarán las imágenes realizando una estandarización, normalización,
eliminación de ruidos e incluso rechazar alguna imagen atípica y pre-procesamiento de
las imágenes. Este conjunto de imágenes se dividirá en subconjuntos de entrenamiento,
validación y prueba. Los subconjuntos de entrenamiento y validación se utilizarán en el
entrenamiento de la red de aprendizaje profundo. El entrenamiento de la red se efectua-
rá mediante la optimización de los parámetros como los pesos y los sesgos de la red en
un ciclo hasta obtener los mejores valores. El modelo entrenado finalmente se probara
con subconjunto de imágenes de prueba. Después de completar satisfactoriamente esta
prueba, la red se encuentra lista para ser implementada para efectuar estimaciones. La
metodología a utilizar se puede apreciar en la Figura 6.1.

16
 Figura 6.1: Metodología propuesta

Es oportuno señalar que las actividades plasmadas en la metodología guiarán al investi-

gador en el proceso para efectuar las actividades de la mejor manera a fin de encontrar
resultados confiables.

6.1. Recursos Materiales

Para llevar acabo el diseño y desarrollo de este proyecto se cuenta con los siguientes
recursos materiales.

Laboratorio de visión artificial - UAQ campus San Juan del Río.

Laboratorio de bioingeniería - UAQ campus Amazcala.

Laptop Lenovo ThinkPad L460

HDD Lacie 500 Gb.

Software Matlab 2018 b

6.2. Recursos Humanos

Los agentes implicados en el diseño y desarrollo del proyecto son lo siguientes.

17
 Dr. Luis Alberto Morales Hernández - Director y asesor en el orden de actividades
del proyecto. Coordinador de la Facultad de Ingeniería Electromecánica

Ing. Fernando Soni Urquiza - Alumno de la Maestría en Ciencias en Inteligencia

Artificial.

A continuación se enuncian al personal docente que dará seguimiento al proyecto.

Dr. Saúl Tovar Arriaga - Coordinador de la Maestría en Ciencias en Inteligencia

Artificial

Dr. Juan Fernando García Trejo - Coordinador de la Maestría en Ciencias en Inge-

niería de Biosistemas y responsable del laboratorio de bioingeniería.

6.3. Consideraciones Éticas De La Investigación Acadé-

mica
Esta investigación no implica consideraciones de riesgo éticas, ya que se trabajará con
imágenes de plantas de tomate hidropónico, dichas imágenes serán recopiladas por es-
pecialistas del área, bajo la supervisión y autorización del encargado de laboratorio de
bioingeniería de la UAQ campus Amazcala, las actividades se realizarán bajo las mejores
practicas de dicho laboratorio, en todo momento se preservara la confidencialidad de las
técnicas utilizadas en el laboratorio de bioingeniería.

18
7

Resultados Esperados

Como resultado de este trabajo se espera el poder predecir y estimar la cantidad y el grado
de madurez de los cultivos hidropónicos de tomate, mediante el análisis de características
físicas de las plantas de tomate. Se espera que con esta predicción se puedan tomar las
medidas pertinentes y objetivas para poder maximizar y optimizar los recursos utilizados
durante el proceso de cultivo de tomate. Siendo de utilidad para el personal que labo-
ra en los invernaderos hidropónicos de la Universidad Autónoma de Querétaro campus
Amazcala.

19
Bibliografía

[Alipourfard et al., 2018] Alipourfard, T., Arefi, H., and Mahmoudi, S. (2018). A no-
vel deep learning framework by combination of subspace-based feature extraction and
convolutional neural networks for hyperspectral images classification. In IGARSS
2018-2018 IEEE International Geoscience and Remote Sensing Symposium, pages
4780–4783. IEEE.

[Bargoti and Underwood, 2016] Bargoti, S. and Underwood, J. (2016). Image classifica-
tion with orchard metadata. In 2016 IEEE International Conference on Robotics and
Automation (ICRA), pages 5164–5170. IEEE.

[Baweja et al., 2018] Baweja, H. S., Parhar, T., Mirbod, O., and Nuske, S. (2018). Stalk-
net: a deep learning pipeline for high-throughput measurement of plant stalk count and
stalk width. In Field and Service Robotics, pages 271–284. Springer.

[Cohen and Cohen, 1991] Cohen, D. I. and Cohen, D. I. (1991). Introduction to computer
theory, volume 2. Wiley New York.

[Cortes and Vapnik, 1995] Cortes, C. and Vapnik, V. (1995). Support-vector networks.
Machine learning, 20(3):273–297.

[Du et al., 2016] Du, X., Cai, Y., Wang, S., and Zhang, L. (2016). Overview of deep
learning. In 2016 31st Youth Academic Annual Conference of Chinese Association of
Automation (YAC), pages 159–164. IEEE.

[Durmuş et al., 2017] Durmuş, H., Güneş, E. O., and Kırcı, M. (2017). Disease detection
on the leaves of the tomato plants by using deep learning. In 2017 6th International
Conference on Agro-Geoinformatics, pages 1–5. IEEE.

20
[FAO, 2019] FAO (2019). Organización de las naciones unidas para la alimentación y la
agricultura. url http://www.fao.org/home/es/.

[Ferentinos, 2018] Ferentinos, K. P. (2018). Deep learning models for plant disease de-
tection and diagnosis. Computers and Electronics in Agriculture, 145:311–318.

[Freund and Schapire, 1997] Freund, Y. and Schapire, R. E. (1997). A decision-theoretic

generalization of on-line learning and an application to boosting. Journal of computer
and system sciences, 55(1):119–139.

[Fuentes et al., 2017] Fuentes, A., Yoon, S., Kim, S., and Park, D. (2017). A robust deep-
learning-based detector for real-time tomato plant diseases and pests recognition. Sen-
sors, 17(9):2022.

[Goodfellow et al., 2016] Goodfellow, I., Bengio, Y., and Courville, A. (2016). Deep
learning. MIT press.

[Häni et al., 2018] Häni, N., Roy, P., and Isler, V. (2018). Apple counting using convo-
lutional neural networks. In 2018 IEEE/RSJ International Conference on Intelligent
Robots and Systems (IROS), pages 2559–2565. IEEE.

[Hinton et al., 2006] Hinton, G. E., Osindero, S., and Teh, Y.-W. (2006). A fast learning
algorithm for deep belief nets. Neural computation, 18(7):1527–1554.

[Hopfield, 1982] Hopfield, J. J. (1982). Neural networks and physical systems with emer-
gent collective computational abilities. Proceedings of the national academy of scien-
ces, 79(8):2554–2558.

[Kamilaris and Prenafeta-Boldú, 2018] Kamilaris, A. and Prenafeta-Boldú, F. X. (2018).

Deep learning in agriculture: A survey. Computers and Electronics in Agriculture,
147:70–90.

[Kitpo et al., 2019] Kitpo, N., Kugai, Y., Inoue, M., Yokemura, T., and Satomura, S.
(2019). Internet of things for greenhouse monitoring system using deep learning and
bot notification services. In 2019 IEEE International Conference on Consumer Elec-
tronics (ICCE), pages 1–4. IEEE.

21
[LeCun et al., 2015] LeCun, Y., Bengio, Y., and Hinton, G. (2015). Deep learning. natu-
re, 521(7553):436.

[Liakos et al., 2018] Liakos, K., Busato, P., Moshou, D., Pearson, S., and Bochtis, D.
(2018). Machine learning in agriculture: A review. Sensors, 18(8):2674.

[Lin and Chen, 2018] Lin, P. and Chen, Y. (2018). Detection of strawberry flowers in
outdoor field by deep neural network. In 2018 IEEE 3rd International Conference on
Image, Vision and Computing (ICIVC), pages 482–486. IEEE.

[Luckow et al., 2016] Luckow, A., Cook, M., Ashcraft, N., Weill, E., Djerekarov, E., and
Vorster, B. (2016). Deep learning in the automotive industry: Applications and tools.
In 2016 IEEE International Conference on Big Data (Big Data), pages 3759–3768.
IEEE.

[Mata et al., 2018] Mata, J., De Miguel, I., Duran, R. J., Merayo, N., Singh, S. K., Jukan,
A., and Chamania, M. (2018). Artificial intelligence (ai) methods in optical networks:
A comprehensive survey. Optical Switching and Networking, 28:43–57.

[Mehra et al., 2018] Mehra, M., Saxena, S., Sankaranarayanan, S., Tom, R. J., and Vee-
ramanikandan, M. (2018). Iot based hydroponics system using deep neural networks.
Computers and Electronics in Agriculture, 155:473–486.

[Nguyen et al., 2015] Nguyen, K., Fookes, C., and Sridharan, S. (2015). Improving deep
convolutional neural networks with unsupervised feature learning. In 2015 IEEE In-
ternational Conference on Image Processing (ICIP), pages 2270–2274. IEEE.

[Nielsen, 2015] Nielsen, M. A. (2015). Neural networks and deep learning, volume 25.
Determination press San Francisco, CA, USA:.

[OEC, 2019] OEC (2019). The observatory of econimic complexity. url

https://atlas.media.mit.edu/en/.

[Ozdogan et al., 2010] Ozdogan, M., Yang, Y., Allez, G., and Cervantes, C. (2010). Re-
mote sensing of irrigated agriculture: Opportunities and challenges. Remote sensing,
2(9):2274–2304.

22
[Rosenblatt, 1958] Rosenblatt, F. (1958). The perceptron: a probabilistic model for in-
formation storage and organization in the brain. Psychological review, 65(6):386.

[SAGARPA, 2017] SAGARPA (2017). Planeación agricola nacional 2017-20130. url

https://www.gob.mx/sagarpa.

[Singh et al., 2016] Singh, A., Ganapathysubramanian, B., Singh, A. K., and Sarkar, S.
(2016). Machine learning for high-throughput stress phenotyping in plants. Trends in
plant science, 21(2):110–124.

[Singh et al., 2018] Singh, A. K., Ganapathysubramanian, B., Sarkar, S., and Singh, A.
(2018). Deep learning for plant stress phenotyping: trends and future perspectives.
Trends in plant science.

[Sladojevic et al., 2016] Sladojevic, S., Arsenovic, M., Anderla, A., Culibrk, D., and Ste-
fanovic, D. (2016). Deep neural networks based recognition of plant diseases by leaf
image classification. Computational intelligence and neuroscience, 2016.

23