Estimación de la Gravedad en Enfermedades en los Cultivos del Aguacate Basado en Imágenes Mediante Redes Neuronales Convolucionales

Lloclli Champi, Julio Cesar

Estimación de la Gravedad en Enfermedades en los Cultivos del Aguacate Basado en Imágenes Mediante Redes Neuronales Convolucionales

dc.contributor.advisor	Sullon Macalupu, Abel Angel
dc.contributor.author	Lloclli Champi, Julio Cesar
dc.date.accessioned	2025-02-25T17:35:47Z
dc.date.available	2025-02-25T17:35:47Z
dc.date.embargoEnd	2025-04-04
dc.date.issued	2025-02-03
dc.description.abstract	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.
dc.description.escuela	Escuela de Posgrado
dc.description.lineadeinvestigacion	Businness Intelligence
dc.description.sede	Lima
dc.format	application/pdf
dc.identifier.uri	http://repositorio.upeu.edu.pe/handle/20.500.12840/8512
dc.language.iso	spa
dc.publisher	Universidad Peruana Unión
dc.publisher.country	PE
dc.rights	info:eu-repo/semantics/embargoedAccess
dc.rights.uri	http://creativecommons.org/licenses/by-nc-sa/4.0/
dc.subject	Aprendizaje profundo redes neuronales convolucionales CNN
dc.subject	Antrocnosis
dc.subject	Ácarrocristalino
dc.subject	Araña Marrón
dc.subject	Enfermedades del aguacate
dc.subject.ocde	http://purl.org/pe-repo/ocde/ford#1.01.03
dc.title	Estimación de la Gravedad en Enfermedades en los Cultivos del Aguacate Basado en Imágenes Mediante Redes Neuronales Convolucionales
dc.type	info:eu-repo/semantics/masterThesis
renati.advisor.dni	06812118
renati.advisor.orcid	https://orcid.org/0000-0003-4142-7230
renati.author.dni	42170858
renati.discipline	612357
renati.juror	Alvizuri Llerena, Geraldine Verónica
renati.juror	López Gonzales, Javier Linkolk
renati.juror	Tocto Cano, Esteban
renati.level	http://purl.org/pe-repo/renati/nivel#maestro
renati.type	http://purl.org/pe-repo/renati/type#tesis
thesis.degree.discipline	Maestro(a) en Ingeniería en Software
thesis.degree.grantor	Universidad Peruana Unión. Facultad de Ingeniería y Arquitectura
thesis.degree.name	Maestro(a) en Ingeniería en Software