Área de Electrónica y Automatización - Tesis
Permanent URI for this collection
Browse
Browsing Área de Electrónica y Automatización - Tesis by Subject "Aprendizaje automático (Inteligencia artificial) -- Aplicaciones"
Now showing 1 - 3 of 3
Results Per Page
Sort Options
Item Detección de macronutrientes y enfermedades en campos de cultivo de banano orgánico con Machine Learning(Universidad de Piura, 2021-05-17) Román Alvarado, Evelia; Ruiz García, María de Fátima; Ipanaqué Alama, William; Universidad de Piura. Facultad de Ingeniería. Departamento de Ingeniería Mecánica Eléctrica.El trabajo tiene como objetivo diseñar e implementar un modelo de diagnóstico de nutrientes y enfermedades en suelos de cultivo de banano orgánico empleando herramientas de aprendizaje automático como redes neuronales convoluciones y algoritmos de clasificación híbridos, evaluando las ventajas y desventajas de cada uno. Para lo cual, se realiza una comparación entre tres algoritmos de clasificación híbridos y redes neuronales convolucionales, es decir, la combinación de estos algoritmos de clasificación (Support Vector Classifier, K-Nearest Neighbors y Random Forest) y filtros convolucionales de una arquitectura de 11 capas y VGG16 con el fin de que, a partir de los modelos propuestos, se logre reducir las pérdidas producto de la deficiencia de macronutrientes y la aparición de enfermedades en plantaciones de banano orgánico, además de disminuir el tiempo del proceso actual de detección de estos. Para ello, se utilizan dos tipos de data set de imágenes de hojas de banano orgánico, una para detección de deficiencia de macronutrientes y la otra para enfermedades. El primer data set consta de imágenes de tres macronutrientes: nitrógeno, fósforo, potasio e imágenes de hojas sanas. En el caso del data set de enfermedades, consta de dos tipos: sigatoka negra y marchitez bacteriana en hojas sanas. En tanto, para los modelos de redes neuronales convoluciones, se decidió trabajar con dos tipos de arquitecturas: una de 11 capas de filtros convoluciones y la VGG16. Estos algoritmos y redes neuronales convolucionales fueron evaluados a partir de su accuracy, f1 score y confusion matrix. Por lo que, se concluye que el uso de Random Forest, con filtros convolucionales de una arquitectura VGG16, ayuda a desarrollar un proceso de clasificación para las imágenes óptimo para el data set de macronutrientes, en donde el criterio de selección se basa en la máxima cantidad de votos dados por cada uno de los árboles para una etiqueta en específico. Este algoritmo híbrido, resulta ser un método muy eficaz para la clasificación. Mientras que, en desempeño, le sigue SVC para el data set de enfermedades, CNN y, finalmente, KNN con la precisión más baja.Item Determinación del contenido de cadmio en granos de cacao mediante la aplicación de redes neuronales e imágenes hiperespectrales(Universidad de Piura, 2023-01-24) Checa Roman, Keyla Virginia; Ipanaqué Alama, William; Universidad de Piura. Facultad de Ingeniería. Departamento de Ingeniería Mecánica Eléctrica.Los objetivos de esta tesis se centran en investigar la aplicabilidad de las imágenes hiperespectrales y de las metodologías inteligencia artificial para determinar el contenido de cadmio en granos de cacao seco. La investigación se concentra en implementar metodologías de Machine Learning, Deep Learning combinadas con imágenes hiperespectrales y análisis químico para predecir el contenido de cadmio en muestras de granos de cacao. Con tal fin se aplicaron las metodologías de Machine Learning: Regresión de mínimos cuadrados parciales (PLSR) y Regresión de vectores de soporte (SVR) y de Deep Learning, Perceptrón multicapa (MLP) con retropropagración. Además, se usaron los algoritmos de selección de bandas debido a la gran multicolinealidad de las variables de entrada: Algoritmo de proyecciones sucesivas (SPA) y Muestreo Reponderado Adaptativo Competitivo (CARS). Finalmente, se destaca la superioridad del modelo CARS-MLP para encontrar las bandas espectrales que contienen la información crucial para la predicción del contenido de cadmio. Se concluye que el estudio evidencia la gran capacidad de las imágenes hiperespectrales para la determinación de contenido de cadmio aplicando modelos de Machine Learning y Deep Learning. Los resultados obtenidos de los modelos propuestos demuestran la aplicabilidad de esta metodología confiable, rápida y basada en métodos no destructivos y supone una oportunidad para utilizarse en la práctica para la determinación del contenido de cadmio en granos de cacao secos. Asimismo se concluye que los algoritmos de selección de bandas espectrales SPA y CARS lograron destacables desempeños haciendo uso de parte de la información espectral de la muestra, ya que mejoraron significativamente la precisión de los modelos de MLP al combinarse con estos algoritmos.Item Estimación de variables de importancia de un modelo basado en Machine Learning (ML) con imágenes hiperespectrales(Universidad de Piura, 2023-06-01) Cruz Ruiz, César Alejandro; Grados Portocarrero, Eduardo Renato; Soto Bohórquez, Juan Carlos; Valdiviezo Espinoza, Juan Junior; Universidad de Piura. Facultad de Ingeniería. Departamento de Ingeniería Mecánica Eléctrica.La presente tesis tiene por objetivo estimar el porcentaje de cadmio en una muestra de cacao reemplazando el método tradicional de medición invasivo por un método que aplica los algoritmos de Machine Learning (ML), además de la tecnología de imágenes hiperespectrales. El método planteado es no destructivo y de resultados inmediatos, cumpliendo el objetivo de reducir la intervención durante el proceso productivo. Con tal fin se estudian y comparan distintos algoritmos de Machine Learning, se definen las principales bandas de importancia, por métodos de reducción, para estimar el contenido de cadmio en el cacao y se desarrolla una metodología que permite relacionar las variables del contenido de cadmio con la firma espectral. En base a la normativa revisada y teniendo en cuenta las regulaciones internacionales establecidas, se definirán los parámetros máximos permisibles para el contenido de cadmio en el cacao. Se estudian distintos tipos de algoritmos de Machine Learning y se escoge el más adecuado para el caso de estudio, cuyos códigos son desarrollados en el lenguaje de programación Python. Posteriormente se realiza el proceso de entrenamiento y se obtiene un modelo inicial que permite estimar el contenido de cadmio en el cacao, con un error aceptable. Se concluye que es posible obtener la estimación del contenido de Cadmio en el grano de cacao haciendo uso de un análisis no destructivo utilizando algoritmos de ML en tiempo real.