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!
|
| Sumario: | 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. |
|---|