Detección de macronutrientes y enfermedades en campos de cultivo de banano orgánico con Machine Learning

Simple item page
dc.contributor.advisorIpanaqué Alama, Williames
dc.contributor.authorRomán Alvarado, Eveliaes
dc.contributor.authorRuiz García, María de Fátimaes
dc.contributor.otherUniversidad de Piura. Facultad de Ingeniería. Departamento de Ingeniería Mecánica Eléctrica.es
dc.coverage.spatialPiura, Perúes
dc.date.accessioned2021-05-17T14:46:22Z
dc.date.available2021-05-17T14:46:22Z
dc.date.issued2021-05-17es
dc.date.submitted2021-02es
dc.description.abstractEl 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.es
dc.format.extent2,59 MBes
dc.format.mimetypeapplication/pdfes
dc.identifier.citationRomán, E. y Ruiz, M. (2021). Detección de macronutrientes y enfermedades en campos de cultivo de banano orgánico con Machine Learning (Trabajo de investigación de bachiller en Ingeniería Mecánico-Eléctrica). Universidad de Piura. Facultad de Ingeniería. Programa Académico de Ingeniería Mecánico-Eléctrica. Piura, Perú.es
dc.identifier.urihttps://hdl.handle.net/11042/4939
dc.languageEspañoles
dc.language.isospaes
dc.publisherUniversidad de Piuraes
dc.publisher.countryPEes
dc.relation.publishversion1es
dc.relation.requiresAdobe Readeres
dc.rightsinfo:eu-repo/semantics/openAccesses
dc.rights.holderEvelia Román Alvarado, María de Fátima Ruiz Garcíaes
dc.rights.licenseCreative Commons Atribución-NoComercial-SinDerivar 4.0 Internacionales
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/es
dc.sourceUniversidad de Piuraes
dc.sourceRepositorio Institucional Pirhua - UDEPes
dc.subjectBanano orgánico -- Cultivo -- Automatizaciónes
dc.subjectAprendizaje automático (Inteligencia artificial) -- Aplicacioneses
dc.subjectRedes neuronales (Computadores) -- Aplicaciones -- Agriculturaes
dc.subject.ddc006.31es
dc.subject.ocdehttps://purl.org/pe-repo/ocde/ford#2.02.03es
dc.titleDetección de macronutrientes y enfermedades en campos de cultivo de banano orgánico con Machine Learninges
dc.typeinfo:eu-repo/semantics/bachelorThesises
renati.advisor.dni06422494
renati.advisor.orcidhttps://orcid.org/0000-0003-4039-4422es
renati.author.dni74999137
renati.author.dni72695599
renati.discipline713076es
renati.jurorIpanaqué Alama, Williames
renati.jurorQuispe Chanampa, Carlos Nicoláses
renati.levelhttps://purl.org/pe-repo/renati/level#bachilleres
renati.typehttp://purl.org/pe-repo/renati/type#trabajoDeInvestigaciones
thesis.degree.disciplineIngeniería Mecánico-Eléctricaes
thesis.degree.grantorUniversidad de Piura. Facultad de Ingenieríaes
thesis.degree.nameBachiller en Ingeniería Mecánico-Eléctricaes
Files
Original bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
T_IME_2102.pdf
Size:
2.59 MB
Format:
Adobe Portable Document Format
Description:
Archivo%20principal
Download
Collections
Área de Electrónica y Automatización - Tesis