Políticas   Declaración de Budapest  

Magíster en Ingeniería de Sistemas con Mención en Ingeniería de Software

URI permanente para esta colección

http://repositorio.upeu.edu.pe/handle/20.500.12840/37

Examinar

Examinando Magíster en Ingeniería de Sistemas con Mención en Ingeniería de Software por Materia "Araña Marrón"

Mostrando 1 - 1 de 1
  • No hay miniatura disponible
    Ítem
    Estimación de la Gravedad en Enfermedades en los Cultivos del Aguacate Basado en Imágenes Mediante Redes Neuronales Convolucionales
    (Universidad Peruana Unión, 2025-02-03) Lloclli Champi, Julio Cesar; Sullon Macalupu, Abel Angel
    La agricultura desempeña un papel vital, importante en el desarrollo y el crecimiento económico mundial. Cuando los cultivos se ven afectados por enfermedades repercute negativamente en los recursos económicos mediante la producción agrícola de una nación. La detección temprana de estas enfermedades puede minimizar la pérdida de los agricultores y mejorar la producción. En este estudio, proponemos dos modelos existentes como son Redes Neuronales Convolucionales (CNN) y ResNet18 ambas de aprendizaje profunda, diseñado para predecir automáticamente las enfermedades de las hojas del aguacate Has, el marco de trabajo abarca la recopilación de imágenes, selección de imágenes, clasificación de enfermedades. Empleando un enfoque combinando dos modelos bien establecidos (CNN, ResNet18) para generar clasificaciones, en enfoque aprovecha el concepto de visión por computadora para la predicción final, para entrenar y evaluar, generamos un conjunto de datos a través de las hojas del aguacate utilizando una cámara fotográfica canon de 16 megapíxeles: las cuales conforman de Ácarro Cristalino, Antrocnosis, Araña Marrón y hojas sanas, conformando imágenes de hojas de aguacate de 1300 imágenes de cada clase, se realizó data aumentación de 35%. Para entrenar y evaluar ResNet18 alcanzando una precisión global del 94.14%, y una F1-score del 94.33% se llevó a cabo un estudio de validación exhaustivo con el conjunto de datos de aguacate (4 clases), respectivamente. Estos resultados experimentales confirman que proporciona una detección y predicción más eficaz y precisa de las enfermedades del aguacate, lo que lo convierte en un candidato prometedor para aplicaciones prácticas.