Implementación de deep learning y redes neuronales convolucionales para la identificación de plagas en cultivo de arroz de San Martín
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 avanzada...
Guardado en:
| Autores principales: | , , |
|---|---|
| Otros Autores: | |
| Formato: | Tesis de pregrado |
| 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_ | 1881510182316408832 |
|---|---|
| author | Sandy Coral, Gerald Franko Oblitas Diaz, Helen Mas Mendoza, Katerin Estrellita |
| author2 | Casildo Bedon, Nancy Esther |
| author_browse | Casildo Bedon, Nancy Esther Mas Mendoza, Katerin Estrellita Oblitas Diaz, Helen Sandy Coral, Gerald Franko |
| author_facet | Casildo Bedon, Nancy Esther Sandy Coral, Gerald Franko Oblitas Diaz, Helen Mas Mendoza, Katerin Estrellita |
| author_sort | Sandy Coral, Gerald Franko |
| collection | Repositorio institucional |
| description | 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. |
| escuela_str_mv | Escuela Profesional de Ingeniería de Sistemas |
| format | info:eu-repo/semantics/bachelorThesis |
| id | oai:repositorio.upeu.edu.pe:20.500.12840/9616 |
| institution | UPeU |
| language | Spanish |
| linea_str_mv | Ingeniería de software |
| ocde_area_str_mv | Ingeniería y tecnología |
| ocde_disciplina_str_mv | Ingeniería eléctrica, electrónica e informática |
| ocde_str_mv | 2.02.04 |
| programa_nombre_str_mv | Ingeniería de Sistemas |
| programa_pxx_str_mv | P27 |
| programa_uri_str_mv | http://upeu.edu.pe/sys/programas/programa/ingenieria-de-sistemas |
| publishDate | 2025 |
| publishDateRange | 2025 |
| publishDateSort | 2025 |
| publisher | Universidad Peruana Unión |
| publisherStr | Universidad Peruana Unión |
| record_format | dspace |
| sede_str_mv | Tarapoto |
| spelling | Implementación de deep learning y redes neuronales convolucionales para la identificación de plagas en cultivo de arroz de San Martín Sandy Coral, Gerald Franko Oblitas Diaz, Helen Mas Mendoza, Katerin Estrellita Casildo Bedon, Nancy Esther Arroz CRISP-DM Plagas Red neuronal convolucional Resnet-50 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. 2025-12-10 2025-12-23T20:53:05Z 2025-12-23T20:53:05Z 2027-12-10 info:eu-repo/date/embargoEnd/2027-12-10 info:eu-repo/semantics/bachelorThesis https://hdl.handle.net/20.500.12840/9616 spa info:eu-repo/semantics/embargoedAccess http://creativecommons.org/licenses/by-nc-sa/4.0/ application/pdf Universidad Peruana Unión PE oai:repositorio.upeu.edu.pe:20.500.12840/9616 2026-11-10T17:45:09Z |
| spellingShingle | Arroz CRISP-DM Plagas Red neuronal convolucional Resnet-50 Sandy Coral, Gerald Franko Oblitas Diaz, Helen Mas Mendoza, Katerin Estrellita Implementación de deep learning y redes neuronales convolucionales para la identificación de plagas en cultivo de arroz de San Martín |
| title | Implementación de deep learning y redes neuronales convolucionales para la identificación de plagas en cultivo de arroz de San Martín |
| title_full | Implementación de deep learning y redes neuronales convolucionales para la identificación de plagas en cultivo de arroz de San Martín |
| title_fullStr | Implementación de deep learning y redes neuronales convolucionales para la identificación de plagas en cultivo de arroz de San Martín |
| title_full_unstemmed | Implementación de deep learning y redes neuronales convolucionales para la identificación de plagas en cultivo de arroz de San Martín |
| title_short | Implementación de deep learning y redes neuronales convolucionales para la identificación de plagas en cultivo de arroz de San Martín |
| title_sort | implementacion de deep learning y redes neuronales convolucionales para la identificacion de plagas en cultivo de arroz de san martin |
| topic | Arroz CRISP-DM Plagas Red neuronal convolucional Resnet-50 |
| topic_facet | Arroz CRISP-DM Plagas Red neuronal convolucional Resnet-50 |
| url | https://hdl.handle.net/20.500.12840/9616 |
| work_keys_str_mv | AT sandycoralgeraldfranko implementaciondedeeplearningyredesneuronalesconvolucionalesparalaidentificaciondeplagasencultivodearrozdesanmartin AT oblitasdiazhelen implementaciondedeeplearningyredesneuronalesconvolucionalesparalaidentificaciondeplagasencultivodearrozdesanmartin AT masmendozakaterinestrellita implementaciondedeeplearningyredesneuronalesconvolucionalesparalaidentificaciondeplagasencultivodearrozdesanmartin |