Repository logo
  • English
  • Català
  • Čeština
  • Deutsch
  • Español
  • Français
  • Gàidhlig
  • Italiano
  • Latviešu
  • Magyar
  • Nederlands
  • Polski
  • Português
  • Português do Brasil
  • Srpski (lat)
  • Suomi
  • Svenska
  • Türkçe
  • Tiếng Việt
  • Қазақ
  • বাংলা
  • हिंदी
  • Ελληνικά
  • Српски
  • Yкраї́нська
  • Log In
    New user? Click here to register. Have you forgotten your password?
Repository logo
  • Communities & Collections
  • All of DSpace
  • English
  • Català
  • Čeština
  • Deutsch
  • Español
  • Français
  • Gàidhlig
  • Italiano
  • Latviešu
  • Magyar
  • Nederlands
  • Polski
  • Português
  • Português do Brasil
  • Srpski (lat)
  • Suomi
  • Svenska
  • Türkçe
  • Tiếng Việt
  • Қазақ
  • বাংলা
  • हिंदी
  • Ελληνικά
  • Српски
  • Yкраї́нська
  • Log In
    New user? Click here to register. Have you forgotten your password?
  1. Home
  2. Browse by Author

Browsing by Author "Mas Mendoza, Katerin Estrellita"

Now showing 1 - 1 of 1
Results Per Page
Sort Options
  • No Thumbnail Available
    Item
    Implementación de deep learning y redes neuronales convolucionales para la identificación de plagas en cultivo de arroz de San Martín
    (Universidad Peruana Unión, 2025-12-10) Sandy Coral, Gerald Franko; Oblitas Diaz, Helen; Mas Mendoza, Katerin Estrellita; Casildo Bedón, Nancy Esther
    El arroz es uno de los cultivos con mayor porcentaje de producción tanto internacional como nacional; ahora bien, en Perú la producción se ve afectada por plagas que comprometen la seguridad alimentaria y generan pérdidas económicas. La detección de plagas en el arroz utilizando tecnologías avanzadas es fundamental para optimizar el desarrollo eficaz de los cultivos. En este estudio, se propone un modelo de red neuronal convolucional (CNN), desarrollado sobre la arquitectura ResNet-50 con el propósito de identificar plagas las cuales serán captadas en campo y por drones. El entrenamiento se llevó a cabo con el uso del dataset IP102, aplicando preprocesamiento y balanceo de clases; asimismo, se obtuvo imágenes propias de agricultores locales. Es así que, se logró alcanzar una precisión de 92 % al 95 % con tendencia positiva. Además, se observa la integración del modelo de predicción en una plataforma web, proporcionando a los agricultores herramientas para un monitoreo automatizado y en tiempo real desde ambas interfaces. Esto, facilita una respuesta más rápida y eficiente ante la presencia de plagas. Este trabajo constituye a una de las primeras propuestas en el Perú que integra inteligencia artificial y agricultura, con impacto directo en la reducción de pesticidas, ahorro de costos de inspección y mejora en la productividad agrícola.

DSpace software copyright © 2002-2026 LYRASIS

  • Cookie settings
  • Privacy policy
  • End User Agreement
  • Send Feedback