Estimación de la Gravedad en Enfermedades en los Cultivos del Aguacate Basado en Imágenes Mediante Redes Neuronales Convolucionales
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...
Guardado en:
| Autor principal: | |
|---|---|
| Otros Autores: | |
| Formato: | Tesis de maestría |
| Lenguaje: | español |
| Publicado: |
Universidad Peruana Unión
2025
|
| Materias: | |
| Acceso en línea: | Enlace permanente (DOI o Handle) |
| Etiquetas: |
Sin Etiquetas, Sea el primero en etiquetar este registro!
|
| _version_ | 1881545239187947520 |
|---|---|
| author | Lloclli Champi, Julio Cesar |
| author2 | Sullon Macalupu, Abel Angel |
| author_browse | Lloclli Champi, Julio Cesar Sullon Macalupu, Abel Angel |
| author_facet | Sullon Macalupu, Abel Angel Lloclli Champi, Julio Cesar |
| author_sort | Lloclli Champi, Julio Cesar |
| collection | Repositorio institucional |
| description | 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. |
| escuela_str_mv | Escuela de Posgrado |
| format | info:eu-repo/semantics/masterThesis |
| id | oai:repositorio.upeu.edu.pe:20.500.12840/8512 |
| institution | UPeU |
| language | Spanish |
| linea_str_mv | Businness Intelligence |
| ocde_area_str_mv | Ciencias naturales |
| ocde_disciplina_str_mv | Matemáticas |
| ocde_str_mv | 1.01.03 |
| programa_nombre_str_mv | Maestría en Ingeniería de Sistemas con Mención en Ingeniería de Software |
| programa_pxx_str_mv | P75 |
| programa_uri_str_mv | http://upeu.edu.pe/sys/programas/programa/maestria-en-ingenieria-de-sistemas-ingenieria-software |
| publishDate | 2025 |
| publishDateRange | 2025 |
| publishDateSort | 2025 |
| publisher | Universidad Peruana Unión |
| publisherStr | Universidad Peruana Unión |
| record_format | dspace |
| sede_str_mv | Lima |
| spelling | Estimación de la Gravedad en Enfermedades en los Cultivos del Aguacate Basado en Imágenes Mediante Redes Neuronales Convolucionales Lloclli Champi, Julio Cesar Sullon Macalupu, Abel Angel Aprendizaje profundo redes neuronales convolucionales CNN Antrocnosis Ácarrocristalino Araña Marrón Enfermedades del aguacate 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. 2025-02-03 2025-02-25T17:35:47Z 2025-02-25T17:35:47Z info:eu-repo/semantics/masterThesis https://hdl.handle.net/20.500.12840/8512 spa info:eu-repo/semantics/openAccess http://creativecommons.org/licenses/by-nc-sa/4.0/ application/pdf Universidad Peruana Unión PE oai:repositorio.upeu.edu.pe:20.500.12840/8512 2026-11-10T22:57:48Z |
| spellingShingle | Aprendizaje profundo redes neuronales convolucionales CNN Antrocnosis Ácarrocristalino Araña Marrón Enfermedades del aguacate Lloclli Champi, Julio Cesar Estimación de la Gravedad en Enfermedades en los Cultivos del Aguacate Basado en Imágenes Mediante Redes Neuronales Convolucionales |
| title | Estimación de la Gravedad en Enfermedades en los Cultivos del Aguacate Basado en Imágenes Mediante Redes Neuronales Convolucionales |
| title_full | Estimación de la Gravedad en Enfermedades en los Cultivos del Aguacate Basado en Imágenes Mediante Redes Neuronales Convolucionales |
| title_fullStr | Estimación de la Gravedad en Enfermedades en los Cultivos del Aguacate Basado en Imágenes Mediante Redes Neuronales Convolucionales |
| title_full_unstemmed | Estimación de la Gravedad en Enfermedades en los Cultivos del Aguacate Basado en Imágenes Mediante Redes Neuronales Convolucionales |
| title_short | Estimación de la Gravedad en Enfermedades en los Cultivos del Aguacate Basado en Imágenes Mediante Redes Neuronales Convolucionales |
| title_sort | estimacion de la gravedad en enfermedades en los cultivos del aguacate basado en imagenes mediante redes neuronales convolucionales |
| topic | Aprendizaje profundo redes neuronales convolucionales CNN Antrocnosis Ácarrocristalino Araña Marrón Enfermedades del aguacate |
| topic_facet | Aprendizaje profundo redes neuronales convolucionales CNN Antrocnosis Ácarrocristalino Araña Marrón Enfermedades del aguacate |
| url | https://hdl.handle.net/20.500.12840/8512 |
| work_keys_str_mv | AT llocllichampijuliocesar estimaciondelagravedadenenfermedadesenloscultivosdelaguacatebasadoenimagenesmedianteredesneuronalesconvolucionales |