RESUMEN La detección de actividades humanas ha logrado evolucionar debido a los avances y desarrollos de técnicas del aprendizaje de máquinas, las cuales han permitido dar soluciones a nuevos desafíos sin ignorar las dificultades que aún persisten y abogan atención; uno de ellos concierne a la sensibilidad que presenta el modelo de aprendizaje ante información traslapada, desbalanceada y atípica que repercute propiamente en el desempeño del modelo. En este artículo se evalúa una metodología para la clasificación de actividades humanas que castiga información con imperfectos. El proceso metodológico se lleva cabo por medio de dos clasificadores redundantes, una Máquinas de Vectores de Soporte penalizada que detecta los sub movimientos (micromovimientos) y luego un Modelo Oculto de Markov que predice la actividad dada la secuencia de micro movimiento. El desempeño del método fue comparado con técnicas del estado de arte, los resultados sugieren un avance significativo en la detección de micromovientos frente a los obtenidos con paradigmas no penalizados. En este trabajo se obtiene un adecuado desempeño en la clasificación de movimientos primitivos, con aciertos del 95,15% para el Kinect One®, del 96,86% para la red de sensores IMU y del 67,51% para la red de sensores EMG. Lo anterior impacta directamente la detección de actividades físicas con aciertos mayores al 95% de eficiencia.

ABSTRACT Human activity detection has evolved due to the advances and developments of machine learning techniques, which have enabled solutions to new challenges without ignoring prevalent difficulties that need to be addressed. One of the challenges is the learning model’s sensitivity regarding the unbalanced, atypical, and overlapping information that directly affects the performance of the model. This article evaluates a methodology for the classification of human activities that penalizes defective information. The methodology is carried out through two redundant classifiers, a penalized support vector machine that detects the sub-movements (micro-movements) and the Marvok Hidden Model that predicts the activity given the micro- movements sequence. The performance of the method was compared with state-of-the-art techniques, and the findings suggested significative advance in the detection of micro-movements compared to the data obtained with non-penalized paradigms. In this research, an adequate performance is found in the classification of primitive movements, with hit rates of 95.15% for the Kinect One®, 96.86% for the IMU sensor network, and 67.51% for the EMG sensor network.

ABSTRACT This paper presents the development of a methodology to detect the percentage of affected area of Phytophthora infestans disease in tomato plants, using digital image processing techniques to extract the regions of interest with color analysis, where the YIQ and TSL models for the detection of the disease. The method consists of solving one of the most common problems in images that is segmentation, in this case the background and the disease with the Plant Village database, which was captured under uncontrolled lighting conditions. In the experiments conducted, it is observed that our method achieved a performance of 98.60% for the detection of healthy pixels and 98.17% in detection of sick pixels. This process was subjected to comparison against other alternatives of the state of the art like K-means with HSV and LAB, showing a referred error regarding the leaf size of 4.32 ± 5.44% in the detection of the disease and a computational time of 0.03 ± 0.01 [s] in comparison with the other procedures, in addition, this methodology was implemented to detect the foliar diseases black Sigatoka and yellow Sigatoka in banana leaves obtaining satisfactory results.

RESUMEN En este artículo se presenta una evaluación de descriptores espacio frecuencia y técnicas de análisis de texturas para la clasificación de textiles. La metodología de trabajo consta de tres etapas fundamentales: la caracterización, la clasificación y la validación. En la etapa de caracterización se utilizan descriptores como la Transformada Wavelet, la Transformada de Fourier, un método de caracterización de textura del estado del arte como lo es segmentación fractal para el análisis de texturas (SFTA) y la adaptación de la transformada corta de Fourier en espacio. Para la etapa de clasificación se analiza el uso de tres métodos del estado del arte, como lo son las Redes Neuronales Artificiales (RNA), Máquinas de Soporte Vectorial (SVM) y el Proceso Gaussiano (GP), a estos dos últimos se les incluyeron el uso de kernels lineales, Gaussianos y polinomiales. Para validar el método se construye una base de datos anotada con diez tipos de telas, con un total de 1.000 fotos, a las cuales se les aplica el proceso caracterización y clasificación por medio de un experimento Montecarlo. En esta etapa se generan configuraciones aleatorias de entrenamiento (70 %) y prueba (30 %), obteniendo el desempeño de cada modelo de clasificación. Por último, se obtiene la matriz de confusión y se determinan los porcentajes de acierto de cada experimento, adicionalmente se realiza un análisis de tiempos para cada uno de los algoritmos, tanto a nivel de descriptor como a nivel de clasificador, con el fin de determinar la configuración que mejores prestaciones presenta y su costo computacional.

ABSTRACT This article presents an evaluation of frequency-space descriptors and texture analysis techniques for textile classification. The work methodology consists of three fundamental stages: characterization, classification and validation. The characterization stage uses descriptors such as wavelet transform, Fourier transform, a state-of-the-art texture characterization method such as segmentation-based fractal texture analysis (SFTA) and the adaptation of the short-space Fourier transform. The classification stage analyzes the use of three state-of-the-art methods such as Artificial Neural Networks (ANN), Support Vector Machines (SVM) and the Gaussian Process (GP); linear, Gaussian and polynomial kernels were included in SVM and GP. To validate the method, an annotated database is built with ten types of fabrics and 1,000 photos, to which the characterization and classification process is applied by means of a Monte Carlo experiment. At this stage, random training (70 %) and testing (30 %) configurations are generated, finding the performance of each classification model. Finally, the confusion matrix is obtained, and the success percentages of each experiment are determined. Additionally, a time analysis is carried out for each algorithm, both at the descriptor and classifier levels, in order to determine the configuration that offers better features and its computational cost.