Redes generativas para balanceo de datos en imágenes agrícolas: una revisión sistemática de la literatura

Luis Jesús  Montesdeoca Espinoza; Stalin Joel  Zambrano Rojas; Victor Joel  Pinargote-Bravo; Luis Cedeño-Valarezo

doi:10.56124/encriptar.v8i16.008

Autores/as

Luis Jesús Montesdeoca Espinoza Escuela Superior Politécnica Agropecuaria de Manabí Manuel Félix López
Stalin Joel Zambrano Rojas Escuela Superior Politécnica Agropecuaria de Manabí Manuel Félix López
Victor Joel Pinargote-Bravo Escuela Superior Politécnica Agropecuaria de Manabí Manuel Félix López
Luis Cedeño-Valarezo Escuela Superior Politécnica Agropecuaria de Manabí Manuel Félix López

DOI:

https://doi.org/10.56124/encriptar.v8i16.008

Palabras clave:

GAN, aprendizaje profundo, datos sintéticos, datos desbalanceados

Resumen

El desbalance de clases en conjuntos de datos de imágenes agrícolas representa una limitación significativa para el desarrollo de modelos precisos de aprendizaje automático, particularmente en tareas de visión por computadora. Este artículo presenta una revisión sistemática de literatura sobre el uso de Redes Generativas Adversariales (GAN) como técnica de balanceo de datos en este contexto. Aplicando el protocolo PRISMA, se analizaron estudios publicados entre el año 2021 y 2025, extraídos de las bases de datos ScienceDirect, SpringerLink y Google Scholar. Se examinaron aspectos como las arquitecturas de GAN empleadas, la naturaleza de los conjuntos de datos, las métricas de desempeño y la combinación con otras técnicas de clasificación. Los resultados muestran que las GAN pueden mejorar significativamente la precisión y capacidad de generalización de modelos de clasificación agrícola al generar datos sintéticos realistas. Sin embargo, persisten desafíos metodológicos relacionados con la validación, la disponibilidad de datos públicos y la estandarización de evaluaciones. Esta revisión concluye que las GAN son una herramienta emergente con alto potencial para mejorar la agricultura de precisión, siempre que se acompañen de prácticas rigurosas de evaluación y documentación.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Araújo, S. O., Peres, R. S., Ramalho, J. C., Lidon, F., & Barata, J. (2023). Machine learning applications in agriculture: Current trends, challenges, and future perspectives. Agronomy, 13(12), 2976. https://doi.org/10.3390/agronomy13122976

Booth, A., Sutton, A., & Papaioannou, D. (2016). Systematic approaches to a successful literature review (2nd ed.). SAGE Publications.

Cardas Ezeiza, C. (2020). Análisis supervisado de imágenes aéreas usando técnicas de aprendizaje profundo aplicado a detección de cultivos tropicales [Trabajo de Fin de Grado, Universidad de Málaga].

Condran, S., Bewong, M., Islam, M. Z., Maphosa, L., & Zheng, L. (2022). Machine learning in precision agriculture: A survey on trends, applications and evaluations over two decades. IEEE Access, 10, 73786–73816. https://doi.org/10.1109/ACCESS.2022.3188649

Ezeiza, C. C. (2020). Análisis supervisado de imágenes aéreas para detección de cultivos tropicales. RIUMA. https://riuma.uma.es/xmlui/handle/10630/20335

García-Pedrajas, N., Sánchez-Pérez, M., & Cruz-Ramírez, N. (2023). Generative adversarial networks (GANs) for image augmentation in agriculture: A systematic review. Computers and Electronics in Agriculture, 210, 107987. https://doi.org/10.1016/j.compag.2023.107987

Maciel, D., Almeida, F., Silva, A., & Fernandes, J. (2024). Mapeamento bibliométrico do uso de GANs na agricultura. Revista SODEBRAS, 1(1), 15–28. https://doi.org/10.29367/h1t3jh97

Martínez Silva, O. (2021). Clasificación de imágenes de área amplia utilizando redes neuronales convolucionales. Aplicación en agricultura de precisión. Pereira : Universidad Tecnológica de Pereira. Disponible en: https://hdl.handle.net/11059/13480

Meshram, V., Patil, K., Meshram, V., Hanchate, D., & Ramkteke, S. D. (2021). Machine learning in agriculture domain: A state-of-art survey. Artificial Intelligence in the Life Sciences, 1, 100010. https://doi.org/10.1016/j.ailsci.2021.100010

Okoli, C. (2015). A guide to conducting a standalone systematic literature review. Communications of the Association for Information Systems, 37(1), 879–910. https://doi.org/10.17705/1CAIS.03743

Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D., ... & Moher, D. (2021). The PRISMA 2020 statement: An updated guideline for reporting systematic reviews. BMJ, 372, n71. https://doi.org/10.1136/bmj.n71

Petticrew, M., & Roberts, H. (2006). Systematic reviews in the social sciences: A practical guide. Blackwell Publishing.

Tripathi, P., Kumar, N., Rai, M., & Dubey, A. (2023). Applications of machine learning in agriculture. In P. Tripathi (Ed.), Emerging Technologies in Agriculture (pp. 112–140). IGI Global. https://doi.org/10.4018/978-1-6684-6418-2.ch006