Classification of Diseased and Healthy Apple
Leaves through Extreme Learning Machines
Roberto Ahumada-García, David Zabala-Blanco, Ismael Soto, Xaviera López-Cortés, and Ricardo J.
Barrientos

Abstract — Diseases in agricultural crops are a risk for fruit
productivity and quality. Chile is a fruit exporting country; it is
need development technologies for diseases prevent and treat.
Farming has been exploring how to use Artificial Intelligence to
solve problems. Nowadays, deep artificial intelligence models
have a great performance. However, farmers need to reduce
economic cost, thus, it is important to explore artificial
intelligence models. These models should be easy to implement on
low-cost electronic devices. Extreme Learning Machines (ELM)
stand out for its fast and stable training, besides the models’
implementation is accessible to all public. This work presents the
first approach about classification of diseased and healthy apple
leaves through ELM. In this research we use: (1) standard ELM;
(2) regularized ELM; (3) weighted ELM. The weighted ELM
performance is 0.66 accuracy and 0.6 geometric mean. The
results show that the ELM models are a potential and feasibility
to classify complex images of diseased and healthy leaves.
Keywords—-apple tree, extreme leaning machine,
classification, unbalanced dataset
I. INTRODUCIÓN
C
HILE es un potencia agroalimentaria en la exportación de
frutas [1]. En el caso de las manzanas, estas
experimentan cuantiosas pérdidas anuales debido a factores
bióticos y abióticos. Los huertos de manzanos están bajo la
amenaza contante de una gran cantidad de insectos, y
enfermedades fúngicas, bacterianas y virales. Dependiendo de
la incidencia y la severidad de la enfermedad o insectos, los
impactos van desde una apariencia cosmética poco atractiva,
baja comerciabilidad y mala calidad de la fruta, hasta una
disminución del rendimiento o la pérdida total de la fruta o de
los árboles, que produce enormes pérdidas económicas [2].
La detección temprana de plagas y enfermedades es
fundamental para la implementación de programas adecuados
y oportunos de manejo. Los modelos de predicción de riesgo
de enfermedades y plagas se han desarrollado en función de la
incidencia, la gravedad y el momento de la infección, donde
los modelos utilizan datos meteorológicos actuales y
pronosticados [3].
Hoy en día, la detección de enfermedades y plagas en los
huertos comerciales de manzanos se basa en la exploración

R. A-G., D. Z-B., X. L-C., and R.J. B. are with the Faculty of Engineering
Science, Universidad Católica del Maule, Campus San Miguel, Avenida San
Miguel 3605, Talca., Chile (e-mails: {rahumada, dzabala, xlopez,
rbarrientos}@umc.cl).
I. S. Author is with the Electrical Engineering Department, Universidad de
Santiago de Chile, Avenida Ecuador 3519, Santiago de Chile, Chile (e-mail:
ismael.soto@usach.cl).
manual por parte de consultores de cultivos y proveedores de
servicios. Los consultores requieren una gran experiencia y
capacitación antes de que puedan ser eficientes y precisos en
el diagnóstico de un huerto. En el caso de la evaluación
humana del huerto suele llevar mucho tiempo, ser costosa, y
en algunos casos, propensa a errores [4].
En los últimos años, las imágenes digitales y el aprendizaje
automático han mostrado un gran potencial para acelerar el
diagnóstico de enfermedades de plantas. Actualmente ha
ocurrido una revolución de la accesibilidad de las imágenes
digitales, gran parte del mundo tiene fácil acceso a un teléfono
inteligente con una cámara digital integrada que se puede usar
para capturar imágenes de alta calidad de los síntomas de
enfermedades. Ahora los equipos de investigación están
desarrollando métodos de visión artificial para hacer uso de
imágenes digitales de síntomas para la clasificación de
enfermedades de diferentes cultivares [5].
leaf
Estos métodos de visión artificial combinan la experiencia
humana y los algoritmos de aprendizaje automático para
encontrar relaciones entre patrones visuales que permitan
agrupar e identificar. El proceso generalmente consiste en
recopilar imágenes con sus metadatos, luego expertos
clasifican las imágenes para entrenar modelos, donde
actualmente los algoritmos más utilizados son las Redes
Neuronales Profundas [6].
En este estudio se utilizaron las ELM (Maquinas de
Aprendizaje Extremas, del inglés: Extreme Learning
Machine). Las ELM son algoritmos de redes neuronales de
una sola capa oculta, donde los pesos de la capa de entrada y
los sesgos de la capa oculta se generan aleatoriamente. Es así
que los pesos de la capa de salida se calculan resolviendo un
sistema lineal gracias a la matriz pseudoinversa de Moore-
Penrose. Se ha demostrado que las ELM son competentes en
términos de exactitud, y se destacan por su proceso de
entrenamiento rápido y estable, además de que su
implementación es relativamente accesible para todo público
[7]. En el estado del arte de las ELM han sido utilizadas para
problemas similares al planteado en esta investigación en: (1)
predicción de enfermedades de plantas para datos
desbalanceados basada información meteorológica; (2)
reconocimiento de especies de plantas utilizando imágenes de
hojas y LBP (sigla en inglés: Local Binary Patterns); (3)
clasificación de estructuras de plantaciones agrícolas
utilizando ELM semi-supervisada [8]–[10].
En esta investigación se utiliza el set de datos de una
competencia Kaggle, comunidad de Machine Learning y Data
Science (https://www.kaggle.com). La Base de Datos que se
utilizó en este estudio tiene clasificadas por expertos hojas
sanas y enfermas, como por ejemplo: sarna del manzano y
roya. La base de datos corresponde a la usada en el artículo
científico: “The Plant Pathology Challenge 2020 data set to
classify foliar disease of apples” [11], donde se utilizaron
Redes Neuronales Convolucionales, específicamente
ResNet50, Red Neuronal Profunda de 50 capas. El estudio
reporta que la exactitud global de la red ResNet50 fue del 97%
para esta tarea, en el artículo se muestra que participaron
diferentes grupos de investigación, donde los 3 mejores grupos
tuvieron áreas bajo la curva ROC [12] de 0.98445, 0.98182 y
0.98089, lo que demuestra una gran exactitud de las redes
profundas, pero con una gran complejidad algorítmica, al tener
50 capas. Sin embargo, en casos de hojas con enfermedades
complejas (varias enfermedades a la vez) solo tuvieron un
51% de exactitud [11].
La principal contribución de nuestra investigación es
demostrar la viabilidad de utilizar las ELM para clasificar
imágenes de enfermades foliares de manzanos. Se debe
considerar que estas imágenes han sido tomadas directamente
en los campos de cultivo (no en un medio controlado),
utilizando un algoritmo extremadamente menos complejo para
la clasificación como la ELM, red neuronal de una sola capa,
que tiene un proceso de entrenamiento rápido y un costo
computacional de cálculo reducido.
II. EXTREME LEARNING MACHINES
En esta sección se explica el marco teórico para comprender
de manera general el funcionamiento de las Extreme Learning
Machines (ELM), y los tipos que se utilizaron en este estudio:
ELM estándar, ELM regularizada, y ELM Desbalanceada.
A. ELM Estándar
La ELM es un algoritmo para SLFN (del inglés, Single
hidden layer feedforward neural network) de una sola capa
oculta, destacando por su velocidad de aprendizaje y excelente
rendimiento en generalización. Las ELM superan a las redes
neuronales artificiales basadas en gradientes, y máquinas de
vectores de soportes en términos de predicción [13]. Dado un
conjunto de entrenamiento con L muestras, la ELM mapea
entradas (muestras de datos) y salidas (etiquetas) empleando
solo una capa oculta compuesta por N nodos, Ecuación (1) y
(2) [14], [15]:
Hβ =T (1)
[ ][ ] [ ]
g ( w 1 ∙ x 1 + b1 ) ⋯ g ( w L ∙ x 1 +b N ) βT1 T
t1
⋮ ⋱ ⋮ ⋮ = ⋮ ( 2)
g ( w1 ∙ x L +b1 ) ⋯ g ( w L ∙ x L +b N ) β TN T
tL
Donde H es la matriz de salida de la capa oculta, β denota
la matriz de pesos de salida entre la capa oculta y capa de
salida, T representa los resultados de salida de destino de la
capa de salida, g ( ∙ ) se refiere a una función continua por partes
no lineal, como la función sigmoide, w j es el vector de pesos
de entrada entre en el nodo de entrada y el j -esimo nodo
n
oculto, x i ∈ R se refiere a los i -esimos datos de entrada donde
n es la dimensión de la capa de entrada, b j representa el sesgo
del j -esimo nodo oculto, β j denota el vector de peso de salida
entre los j -esimos nodos de salidas y neuronas ocultas, y
t i ∈ R es el vector objetivo m-dimensional originado por x i.
m
Además, w j y b j es el resultado de cualquier distribución de
probabilidad continua, como la distribución rectangular. El
termino w j ∙ x i viene a ser el producto interno de w j y x i. Para
encontrar los β se puede utilizar el método de mínimos
cuadrados según la expresión: β=H † T , [16] donde el
superíndice † representa la operación pseudoinversión de
Moore- Penrose.
B. ELM Regularizada
El riesgo real de predicción del aprendizaje consiste en el
riesgo empírico y el riesgo estructural [17]. Un modelo con
una buena capacidad de generalización tiene mejor
compensación en ambos riesgos. Por ende, el riesgo real se
puede representar mediante la suma ponderada de los dos tipos
de riesgos, y la proporción de estos se puede regularizar con
un factor de ponderación C por riesgo empírico, este se
2
representa por la suma del cuadrado del error ‖ε‖ , y el riesgo
2
estructural representado por ‖β‖ , esto deriva de maximizar la
distancia de las clases de separación de margen [17]. Por lo
tanto, el modelo matemático del algoritmo de la ELM
regularizada (R-ELM) se puede describir en la Ecuación (3):
{C2 ‖ε‖ + 12‖β‖ }( 3)
2 2
Minimizar:
Sujeto a la Ecuación (3), donde ε =ε 1 , ε 2 , … , ε L son el
error para L muestras, y es un parámetro de constante usado
para ajustar el balance del riesgo estructural y riesgo empírico.
En base a [17], [18] la solución de la Ecuación (3) es (4),
donde solo involucra la inversión de una matriz de orden
N × N , donde N ≪ L. Finalmente, se agrega el parámetro C
para ajustar la proporción de riesgo empírico y riesgo
estructural. Donde I corresponde a la matriz identidad de
dimensión N o L de acuerdo a si es invertible por izquierda o
derecha respectivamente [17]. El multiplicador lagrangiano de
la expresión (15) se puede obtener de la siguiente forma:
β=¿
{
( H H + CI ) H T si L> N ( 4 )
−1
T T
H ( H H + ) T Delo contrario
−1
T TI
C
C.ELM Desbalanceada
La mayoría de los algoritmos de aprendizaje se ven
afectados por la distribución de clases, esto incluye a la ELM
básica, por ende, esta se ve afectada por la distribución de
clases [19]. El problema surge porque en muchas ocasiones se
consideran entornos ideales en donde los datos están
equilibrados, pero en casos donde los datos no son ideales y
están desequilibrados existe la probabilidad de inclinación
hacia las clases mayoritarias. Designaremos como W-ELM
(del inglés: Weighted ELM) a la ELM-balanceada que se
propone como una solución al problema mencionado.
A) Hoja sana B) Hoja enferma
Las muestras con errores de entrenamientos altos deben
relacionarse con pesos pequeños y viceversa en el algoritmo Fig. 1. Hoja sana y hoja enferma. Se observa que la hoja sana tiene un
ELM [20]. Según el teorema de Karush-Kuhn-Tucker, la color verde uniforme. La hoja enferma tiene manchas amarillas.
solución para β toma la siguiente forma, Ecuación (5) [21]:
B. Software y Hardware
β=¿ En esta investigación se utilizó Matlab R2019 B. Para la

{
implementación de las diferentes ELM, se usaron como
( T
C
I −1 T
H WH + )
H WT si L> N
(5 )
referencia los códigos de Extreme Learning Machines
(http://www.extreme-learning-machines.org/). El Hardware

( I −1
)
T T
donde se ejecutaron los programas fue un notebook con
H WH H + WT De lo contrario sistema operativo Windows 10, 12 GB de RAM y procesador
C Intel(R) Core (TM) i7-8565U CPU @ 1.80GHz 1.99 GHz.
C.Preprocesamiento Imágenes
Donde W es la matriz diagonal de costos de clasificación El procesamiento consistió en segmentar las hojas,
errónea, por lo tanto, solamente la diagonal principal tiene separándolas del fondo de la imagen, se presenta en la Fig. 2,
valores diferentes a 0. Esta matriz diagonal L × L de la donde la imagen original se transformó a escala de grises (Fig.
distribución se define de la siguiente forma, Ecuaciones (6) y 2 (A) y (B)), para simplificar la segmentación al utilizar una
(7), [19]: matriz con un solo canal de color, que luego será la entrada de
1 la ELM. Se utilizó para la detección de bordes el método Sobel
W −ELM 1 :W ii = (6 ) por defecto de Matlab (Fig. 2 (C)), que nos entrega una imagen
N (t i ) binaria [23]. Luego se utilizaron operaciones morfológicas para
mejorar la máscara binaria (pixeles blancos): (1) dilatación

{
(Fig. 2 (D)), resaltando los blancos; (2) llenar los huecos de la
0.618
si N ( t i ) >media [ N ( t i ) ] máscara; (3) erosión (para suavizar la máscara); (4) apertura
N (t i ) (para eliminar los elementos pequeños); (5) selección del
W −ELM 2 : W ii = (7 ) objeto de mayor tamaño de la máscara (Fig. 2 (E)). Asumiendo
1
De lo contrario que el objeto mayor es la hoja detectada en la imagen, los
N (t i ) pixeles de fondo se colorearon en negro (Fig. 2 (E)), todas las
imágenes fueron procesadas con este algoritmo estándar, sin
ninguna intervención humana [24]. El proceso de
Donde N ( t i ) se refiere al número de muestras en la clase t i . segmentación de las hojas se hace necesario ya que métodos
En la W-ELM1, los conjuntos de datos desequilibrados tradicionales se ven afectados adversamente por el fondo de la
alcanzan un equilibrio cardinal. Para disminuir aún más los imagen, específicamente si contienen otras hojas y otros
pesos de los datos de la clase mayoritaria, y en el caso de la W- elementos sólidos [25]. En los experimentos que se realizaron
ELM2 considera la proporción áurea. se comprobó que las ELM mejoraban sus resultados al
segmentar las hojas de su fondo.
III. MATERIALES Y MÉTODOS
A continuación, se describirá base de datos, software y
hardware, preprocesamiento, esquema de validación cruzada y
medidas de desempeño.
A. Base de Datos
La base de datos corresponde a un set de imágenes de hojas
sanas y enfermas de manzanos (1365 x 2040 pixeles),
obtenidas de la competencia “Plant Pathology 2020 - FGVC7 -
Identify the category of foliar diseases in apple trees” [11] de
Kaggle (https://www.kaggle.com). La Base de Datos tiene
1821 imágenes etiquetadas, 516 (28%) corresponden a hojas
sanas, y 1305 (72%) son hojas enfermas [22]. En la Fig. 1. Se
presenta un ejemplo de hoja sana y enferma.

A) Imagen original B) Imagen en escala de grises
C) Detección de bordes D) Dilatación de la máscara de la
utilizando el método Sobel imagen
E) Objeto final de la imagen. F) Hoja segmentada.
Luego de llenar los huecos,
aplicar erosión y apertura a la
máscara.
Fig. 2. Segmentación de hojas. El proceso consiste en separar las hojas del
fondo de la imagen.
D.Esquema de validación cruzada y medidas de desempeño
Para la evaluación de los modelos de esta investigación se
utilizó un esquema de validación cruzada quíntuple [26]. Los
resultados de este esquema de validación son imparciales y
permiten la medición precisa del desempeño del clasificador,
utilizando datos de entrenamiento y testeo que no son fijos. El
proceso comienza con la división aleatoria de la base de datos
en 5 particiones, donde cada una contiene un 20% de los
ejemplos de la base de datos. Por cada partición el modelo de
clasificación es entrenado usando el 80% de las imágenes y la
partición restante correspondiente al 20% de las imágenes es
utilizada para testeo, este proceso se repite 5 veces de manera
de utilizar cada una de las cinco particiones para testeo. Los
resultados se reportan como el promedio de las 5 ejecuciones.
Las medidas de desempeño utilizadas para evaluar los
modelos son: exactitud, y media geométrica. Para evaluar la
complejidad del algoritmo se ha medido el tiempo de
ejecución en segundos. La exactitud relaciona el número de
ejemplos correctamente clasificados del total en la base de
datos, siendo una de las medidas más populares en la literatura
de machine learning [27]. La media geométrica en este trabajo
se calculó como el producto de la sensibilidad y la
especificidad, lo que corrige el problema de una medida de
desempeño sesgada hacia una clase mayoritaria en clases
desbalanceadas [28]. En este trabajo se utilizó la exactitud, ya
que es una medida estándar que permite comparar nuestros
resultados con otras investigaciones de la literatura, en el caso
de media geométrica se utiliza porque los datos estaban
desbalanceados teniendo la clase minoritaria solamente 1/3 de
las muestras con respecto a los 2/3 de la clase mayoritaria. En
cuanto al tiempo de ejecución esta medida permite tener una
referencia de la complejidad del algoritmo, siempre
considerando que es una medida relativa entre distintos
dispositivos y solo comparable en el mismo ordenar y
condiciones de ejecución similares.
IV. RESULTADOS Y DISCUSIÓN
Esta sección muestra los resultados obtenidos al evaluar
modelos de clasificación binaria de presencia y ausencia de
enfermedades en hojas de manzanos. Se ha comenzado con la
clasificación binaria como una primera aproximación. En
futuros trabajos, se procederá a clasificar cada enfermedad del
set datos.
La heurística de la investigación consistió en comenzar a
utilizar los modelos menos complejos a los más complejos: (1)
ELM estándar, (2) ELM regularizada, (3) ELM
desbalanceada.
Las imágenes utilizadas en este trabajo tienen un tamaño de
(1365 x 2040 pixeles = 2784600 pixeles), lo que sostiene un
alto costo computacional (tiempo de ejecución y uso de
recursos en el ordenador utilizado), tanto en memoria RAM y
procesamiento, por lo anterior, se escaló la imagen entre 0.1 a
0.4 (no se probaron escalas más grandes, ya que no fue posible
procesar las imágenes al utilizar toda la memoria RAM del
equipo), finalmente se decidió utilizar una escala de 0.1, ya
que los resultados de exactitud se mantenían en comparación a
escalas mayores.
Para construir el vector de atributos de cada ejemplo se
procedió a segmentar cada imagen. Se probaron resultado sin
segmentar y segmentado las imágenes con las ELM. Al no
segmentar las muestras, se clasificaban la mayoría de los
ejemplos para una sola clase, al segmentar las imágenes se
logró que la red clasificara para ambas clases.
Al segmentar las imágenes analizadas se observó que
mejoraban los resultados con respecto a imágenes no
segmentadas, sin embargo, no hubieron mejoras al intentar
seleccionar una zona más reducida de la imagen, quizás
debido a la complejidad de las mismas, que no han sido
obtenidas bajo un procedimiento estándar, donde estas tienen
diferentes posiciones y ángulos de tejido infectado, una
variedad de niveles de luz ambiental, varios tipos de sensores
de captura, hojas de diferentes temporadas y climas, otros
elementos anexos a las hojas como frutas, y hojas de varias
edades; siendo complejo aplicar un algoritmo genérico que
elimine este ruido y no tenga perdida de información al
obtener zonas más localizadas de la hoja.
Luego de la segmentación de las imágenes se escalaron, y
con los pixeles se construyó el vector de atributos, usando la
función reshape de Matlab, donde los datos se normalizaron
entre -1 a 1, debido a que deben estar en un misma escala
dentro del dominio de la función de activación de la red
neuronal (función sigmoide), los valores de -1 a 1 son
propuestos por ejemplo en el artículo [29]. Luego a cada
ejemplo (imagen) se le agregó la clase correspondiente: (1)
hoja sana, (2) hoja enferma.
Para el esquema de validación quíntuple se procedió a
generar las 5 particiones de manera aleatoria. Se procedió a
probar diferentes números de neuronas (1 a 9; 10 a 100
(aumentando 10); 150 a 2000 (aumentado 50)). Para cada
número de neuronas se procedió a utilizar la validación
quíntuple.
 En base a que la base de datos utilizada en este estudio tiene
un 28% de hojas sanas, 72% de hojas enfermas se hace
necesario encontrar una ELM que no sea afectada por la
distribución de los ejemplos de las clases (desbalance de
estas). Para esto se ha utilizado la ELM desbalanceada
(descrita en la sección II. C.). En esta investigación se utilizó
la W-ELM1 dado que la proporción entre la clase (1) hojas
sanas (clase minoritaria) y (2) hojas enfermas (clase
mayoritaria) es de (516/1305) ~ 0.4, estando fuera del ratio de
0.618:1, que se indica para utilizar W-ELM 2 [21], también los
resultados se compararon experimentalmente con W-ELM 2
TABLA I
DESEMPEÑO MODELOS ELM
Modelo Exactitud Media geométrica
ELM estándar 0.60 0.01
ELM Regularizada 0.62 0.49
ELM Desbalanceada 0.66 0.60
(W-ELM1)
Red Convolucional 0.97 No reportada
Desempeño de las ELM clasificando hojas sanas y enfermas de
manzanas. Valores para ELM calculado con N = 1000, C = 2-3. Promedios de
100 corridas para cada ejemplo. (*) valor reportado en artículo: “The Plant
Pathology Challenge 2020 data set to classify foliar disease of apples”.
(que por razones de espacio no se presentan en este
documento), comprobándose que la W-ELM1 tiene mejor un
desempeño con respecto a la ELM antes mencionada.
En la Fig. 3 se observa el desempeño de la ELM
desbalanceada. Se evaluaron modelos con configuraciones de
números de neuronas de 1 a 2000, dado que la cota superior de
2000 neuronas debe corresponder aproximadamente al número
de ejemplos 1821. El parámetro C (parámetro que ajusta el
riesgo empírico y riesgo estructural de la ELM) cuyos valores
probados fueron 2-12 a 212, valores muy pequeños y números
positivos muy grandes basados en su definición, según
Ecuación (4) [30]. Se observa en A) Exactitud y en B) Media
Geométrica, donde entre 500 a 1500 neuronas con un C entre
20 y 2-5, hay una zona naranja que representa valores exactitud
cercanos a 0.7, y la misma zona está bien definida para una
media geométrica con valores cercanos a 0.6.
En la TABLA I, se presentan un resumen de resultados: (1)
ELM estándar, (2) ELM regularizada, (3) ELM
desbalanceada. Para un modelo ejemplo tomando como
referencia un N que no esté en los extremos del intervalo [0,
2000], y que no aumente demasiado la complejidad de la
ELM, parece razonable seleccionar un valor N = 1000 y un C
= 2-3 (valor entre 20 y 2-5). Para la ELM desbalanceada la
exactitud es de ~ 0.66 y la media geométrica ~ 0.6, ejemplo
claro de que el modelo ELM desbalanceado, es una alternativa
para la clasificación de imágenes.
En la Fig. 4, se presenta el desempeño de la ELM
regularizada [17], tanto en la Fig. 3 C) y Fig. 4 C), la
complejidad del algoritmo tiene una relación lineal entre el
número de neuronas y el tiempo de ejecución en segundos (s),
teniendo una tasa de cambio de ~ 2 segundos cada 500
neuronas, lo que indica que no hay un aumento considerable
de la complejidad del algoritmo al aumentar N.
En Fig. 4 A), se observan valores de exactitud entre 0.3 a
0.7, los valores pequeños de C tienen una mejor medida de
exactitud, también cercano a un número menor a 500
neuronas. Si se observa la media geométrica los valores
fluctúan entre 0.0 y 0.7, pero el contrario que la exactitud
estos mejoran con un número mayor de neuronas y valores
altos del parámetro C, lo que indica la media geométrica
(medida de desempeño más robusta que la exactitud, porque
considera ambas clases), que los valores altos de la exactitud
informan que el modelo está clasificando los imágenes en la
clase con mayor número de ejemplos (hojas enfermas) y no
detectando la clase con menor número de ejemplos (hojas
sanas), a medida que aumenta el número de neuronas de los
modelo (aumentando la complejidad del modelo), y el valor
del parámetro C, se tiende a clasificar las imágenes como
hojas sanas y enfermas (corrección del desbalance de clases).
En Fig. 4 se pueden extrapolar los resultados a la ELM
estándar cuando el parámetro C tiende a ser muy grande,
según la Ecuación (4). En la ELM estándar se puede encontrar
una exactitud cercana 0.7 con un valor bajo de neuronas, pero
con una media geométrica cercana a 0, lo que indica que el
modelo tiende a clasificar la mayoría de los ejemplos como la
clase mayoritaria (clase de hojas enfermas, que corresponde a
2/3 de los ejemplos de la base de datos), lo que se revisó
experimentalmente. En el caso de la ELM estándar al utilizar
un número de 1000 neuronas, también la red tiende a clasificar
de una manera más equilibrada ambas clases, pero con una
exactitud de solo un 0.60.
Por lo anterior, se observa que con la W-ELM 1, obtiene
mejores resultados de desempeño global, como es la exactitud
con respecto a una ELM estándar y a la ELM regularizada.
Respecto a la media geométrica, se indica que la predicción es
más equilibrada entre la clase (1) hojas sanas (516 imágenes),
y la clase (2) hojas enfermas (1305 imágenes), que en la ELM
estándar y la ELM regularizada. En base a estos resultados, se
puede indicar que las ELM se pueden utilizar en este tipo de
imágenes, sin embargo dada su simplicidad, no logran
competir con respecto a las redes convolucionales, con valores
de exactitud de aproximadamente un 0.97 [11].
A partir de los resultados anteriores se puede decir que la
gran ventaja de las ELM con respecto a las redes
convolucionales, se corrobora en estos experimentos con
respecto al tiempo de ejecución lineal al aumentar el número
de neuronas, y la configuración de solamente 2
hiperparámetros (N: neuronas; C: factor de ponderación) con
respecto a las redes convolucionales que necesitan configurar
varios hiperparámetros y necesitan infraestructura de alto
rendimiento computacional [7].
Fig. 3. Desempeño ELM balanceada. A) Exactitud. B) Media Geométrica. Fig. 4. Desempeño ELM regularizada. A) Exactitud. B) Media
C) Tiempo (s) de Ejecución. Geométrica. C) Tiempo (s) de Ejecución.

V. CONCLUSIONES
En Chile y en Latinoamérica, modelos de inteligencia
artificial que ayuden a los procesos agroindustriales pueden
mejorar la producción de alimentos, un claro ejemplo es la
detección de enfermedades en plantas como el caso de estudio
que presentamos; detección de enfermedades de la hoja de
manzana, fruta que es ampliamente exportadas al exterior del
país. También estas metodología y tecnologías pueden ser
extrapoladas a otros cultivares.
Hoy en día muchos los modelos inteligencia artificial ya
cumplen con una gran exactitud en reconocimiento de
enfermedades utilizando imágenes, como son las redes
convolucionales, sin embargo, para entrenar estos modelos se
deben configurar una gran cantidad de hiperparámetros y tener
para su funcionamiento una gran infraestructura
computacional.
La realidad de la agricultura chilena es que busca reducir
costos, siendo una propuesta la utilización de modelos que
puedan ejecutarse de manera embebida en dispositivos baratos
y que muchas veces no tienen conexión a internet, es aquí
donde proponemos en este trabajo utilizar las ELM, que
destacan por su proceso de entrenamiento rápido y estable,
además de que su implementación es relativamente accesible
para todo público [7], y que pueden ejecutarse en dispositivos
de bajo costo.
Este estudio demuestra que las ELM se pueden utilizar en
este tipo de imágenes, sin embargo, dada su simplicidad, no
logran competir en exactitud con respecto a las redes
convolucionales [11].
Pese a que se obtuvieron modelos con solamente un 0.66 de
exactitud y una media geométrica de 0.6, se puede observar la
robustez de una ELM desbalanceada, ya que se clasificaron
imágenes que se obtuvieron en los mismos huertos,
demostrando la viabilidad y potencialidad de los modelos a
partir de ELM frente a ruidos extremos y reales, ya que sin
ningún estándar se obtuvieron las imágenes, donde estas
tienen diferentes posiciones y ángulos de tejido infectado, una
variedad de niveles de luz ambiental, varios tipos de sensores
de captura, hojas de diferentes temporadas y climas, otros
elementos anexos a las hojas como frutas, y hojas de varias
edades.
Dado que la idea es utilizar estos modelos de clasificación
de hojas enfermas y sanas de manzanos utilizando modelos no
demasiado complejos, con un mínimo de preprocesamiento de
las imágenes, planteamos utilizar estos modelos en los huertos
de agricultores. En trabajos futuros evaluaremos las ELM
multicapa que tienen un potencial similar a las redes
convolucionales en tareas complejas con imágenes [31].
REFERENCIAS
[1] S. Ríos Núñez and G. Torres Osses, “El sector
agropecuario en la región de Los Lagos y el
paradigma "Chile potencia alimentaria: desafíos para
la política agraria nacional,” 2014.
http://www.scielo.org.ar/scielo.php?pid=S1515-
59942014000200007&script=sci_arttext&tlng=es
(accessed Jun. 13, 2022).
[2] T. Belete and N. Boyraz, “Critical Review on Apple
Scab (Venturia inaequalis) Biology, Epidemiology,
Economic Importance, Management and Defense
Mechanisms to the Causal Agent,” J Plant Physiol
Pathol, vol. 5, no. 2, 2017, doi: 10.4172/2329-
955X.1000166.
[3] D. V. Shivling et al., “Low cost sensor based
embedded system for plant protection and pest
control,” Int. Conf. Soft Comput. Tech.
Implementations, ICSCTI 2015, pp. 179–184, Jun.
2016, doi: 10.1109/ICSCTI.2015.7489628.
[4] J. G. A. Barbedo, “Factors influencing the use of deep
learning for plant disease recognition,” Biosyst. Eng.,
vol. 172, pp. 84–91, Aug. 2018, doi:
10.1016/J.BIOSYSTEMSENG.2018.05.013.
[5] A. K. Mahlein, “Plant Disease Detection by Imaging
Sensors - Parallels and Specific Demands for
Precision Agriculture and Plant Phenotyping,” Plant
Dis., vol. 100, no. 2, pp. 241–254, Feb. 2016, doi:
10.1094/PDIS-03-15-0340-FE.
[6] S. Sladojevic, M. Arsenovic, A. Anderla, D. Culibrk,
and D. Stefanovic, “Deep Neural Networks Based
Recognition of Plant Diseases by Leaf Image
Classification,” Comput. Intell. Neurosci., vol. 2016,
2016, doi: 10.1155/2016/3289801.
[7] W. Y. Deng, Q. H. Zheng, S. Lian, L. Chen, and X.
Wang, “Ordinal extreme learning machine,”
Neurocomputing, vol. 74, no. 1–3, pp. 447–456, Dec.
2010, doi: 10.1016/J.NEUCOM.2010.08.022.
[8] A. Bhatia, A. Chug, and A. Prakash Singh,
“Application of extreme learning machine in plant
disease prediction for highly imbalanced dataset,” J.
Stat. Manag. Syst., vol. 23, no. 6, pp. 1059–1068, Aug.
2020, doi: 10.1080/09720510.2020.1799504.
[9] M. Turkoglu and D. Hanbay, “Leaf-based plant
species recognition based on improved local binary
pattern and extreme learning machine,” Phys. A Stat.
Mech. its Appl., vol. 527, p. 121297, Aug. 2019, doi:
10.1016/J.PHYSA.2019.121297.
[10] Z. Feng, G. Huang, and D. Chi, “Classification of the
Complex Agricultural Planting Structure with a Semi-
Supervised Extreme Learning Machine Framework,”
Remote Sens. 2020, Vol. 12, Page 3708, vol. 12, no.
22, p. 3708, Nov. 2020, doi: 10.3390/RS12223708.
[11] R. Thapa, K. Zhang, N. Snavely, S. Belongie, and A.
Khan, “The Plant Pathology Challenge 2020 data set
to classify foliar disease of apples,” Appl. Plant Sci.,
vol. 8, no. 9, Sep. 2020, doi: 10.1002/APS3.11390.
[12] P. Martínez-Camblor, C. Carleos, and N. Corral,
“General nonparametric ROC curve comparison,” J.
Korean Stat. Soc., vol. 42, no. 1, pp. 71–81, Mar.
2013, doi: 10.1016/J.JKSS.2012.05.002.
[13] G. Bin Huang, Q. Y. Zhu, and C. K. Siew, “Extreme
learning machine: Theory and applications,”
Neurocomputing, vol. 70, no. 1–3, pp. 489–501, Dec.
 2006, doi: 10.1016/J.NEUCOM.2005.12.126.
[14] D. Zabala-Blanco, M. Mora, C. A. Azurdia-Meza, A.
D. Firoozabadi, P. P. Játiva, and I. Soto, “Relaxation
of the Radio-Frequency Linewidth for Coherent-
Optical Orthogonal Frequency-Division Multiplexing
Schemes by Employing the Improved Extreme
Learning Machine,” Symmetry 2020, Vol. 12, Page
632, vol. 12, no. 4, p. 632, Apr. 2020, doi:
10.3390/SYM12040632.
[15] S. Ding, H. Zhao, Y. Zhang, X. Xu, and R. Nie,
“Extreme learning machine: algorithm, theory and
applications,” Artif. Intell. Rev., vol. 44, no. 1, pp.
103–115, Jun. 2015, doi: 10.1007/S10462-013-9405-
Z.
[16] N. Y. Liang, G. Bin Huang, P. Saratchandran, and N.
Sundararajan, “A fast and accurate online sequential
learning algorithm for feedforward networks,” IEEE
Trans. Neural Networks, vol. 17, no. 6, pp. 1411–
1423, Nov. 2006, doi: 10.1109/TNN.2006.880583.
[17] W. Deng, Q. Zheng, and L. Chen, “Regularized
extreme learning machine,” 2009 IEEE Symp.
Comput. Intell. Data Mining, CIDM 2009 - Proc., pp.
389–395, 2009, doi: 10.1109/CIDM.2009.4938676.
[18] Z. Man, K. Lee, D. Wang, Z. Cao, and C. Miao, “A
new robust training algorithm for a class of single-
hidden layer feedforward neural networks,”
Neurocomputing, vol. 74, no. 16, pp. 2491–2501, Sep.
2011, doi: 10.1016/J.NEUCOM.2010.11.033.
[19] K. Zhang and M. Luo, “Outlier-robust extreme
learning machine for regression problems,”
Neurocomputing, vol. 151, no. P3, pp. 1519–1527,
Mar. 2015, doi: 10.1016/J.NEUCOM.2014.09.022.
[20] Q. Shen, X. Ban, R. Liu, and Y. Wang, “Decay-
weighted extreme learning machine for balance and
optimization learning,” Mach. Vis. Appl. 2017 287,
vol. 28, no. 7, pp. 743–753, Mar. 2017, doi:
10.1007/S00138-017-0828-4.
[21] W. Zong, G. Bin Huang, and Y. Chen, “Weighted
extreme learning machine for imbalance learning,”
Neurocomputing, vol. 101, pp. 229–242, Feb. 2013,
doi: 10.1016/J.NEUCOM.2012.08.010.
[22] “Plant Pathology 2020 - FGVC7 | Kaggle.”
https://www.kaggle.com/c/plant-pathology-2020-
fgvc7/data (accessed Jun. 14, 2022).
[23] A. Abdulrahman and S. Varol, “A Review of Image
Segmentation Using MATLAB Environment,” 8th Int.
Symp. Digit. Forensics Secur. ISDFS 2020, Jun. 2020,
doi: 10.1109/ISDFS49300.2020.9116191.
[24] P. R. V. Chowdary, M. N. Babu, T. V. Subbareddy, B.
M. Reddy, and V. Elamaran, “Image processing
algorithms for gesture recognition using MATLAB,”
Proc. 2014 IEEE Int. Conf. Adv. Commun. Control
Comput. Technol. ICACCCT 2014, pp. 1511–1514,
Jan. 2015, doi: 10.1109/ICACCCT.2014.7019356.
[25] J. G. A. Barbedo, “A review on the main challenges in
automatic plant disease identification based on visible
range images,” Biosyst. Eng., vol. 144, pp. 52–60,
Apr. 2016, doi:
10.1016/J.BIOSYSTEMSENG.2016.01.017.
[26] J. G. Moreno-Torres, J. A. Saez, and F. Herrera,
“Study on the impact of partition-induced dataset shift
on k-fold cross-validation,” IEEE Trans. Neural
Networks Learn. Syst., vol. 23, no. 8, pp. 1304–1312,
2012, doi: 10.1109/TNNLS.2012.2199516.
[27] G. Huang, G. Bin Huang, S. Song, and K. You,
“Trends in extreme learning machines: A review,”
Neural Networks, vol. 61, pp. 32–48, Jan. 2015, doi:
10.1016/J.NEUNET.2014.10.001.
[28] X. Zhang, “An Improved Extreme Learning Machine
for Imbalanced Data Classification,” IEEE Access,
vol. 10, pp. 8634–8642, 2022, doi:
10.1109/ACCESS.2022.3142724.
[29] J. H. Hong, J. K. Min, U. K. Cho, and S. B. Cho,
“Fingerprint classification using one-vs-all support
vector machines dynamically ordered with naı¨ve
Bayes classifiers,” Pattern Recognit., vol. 41, no. 2,
pp. 662–671, Feb. 2008, doi:
10.1016/J.PATCOG.2007.07.004.
[30] D. Zabala-Blanco, M. Mora, R. J. Barrientos, R.
Hernández-García, and J. Naranjo-Torres,
“Fingerprint Classification through Standard and
Weighted Extreme Learning Machines,” Appl. Sci.
2020, Vol. 10, Page 4125, vol. 10, no. 12, p. 4125,
Jun. 2020, doi: 10.3390/APP10124125.
[31] J. Tang, C. Deng, and G. Bin Huang, “Extreme
Learning Machine for Multilayer Perceptron,” IEEE
Trans. Neural Networks Learn. Syst., vol. 27, no. 4,
pp. 809–821, Apr. 2016, doi:
10.1109/TNNLS.2015.2424995.