DSpace logo

Por favor, use este identificador para citar o enlazar este ítem: http://repositorio.utmachala.edu.ec/handle/48000/19914
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.contributor.advisorRivas Asanza, Wilmer Braulio-
dc.contributor.authorMacas Bermeo, José Ronaldo-
dc.date.accessioned2022-10-06T13:57:11Z-
dc.date.available2022-10-06T13:57:11Z-
dc.date.issued2022-
dc.identifier.citationMacas Bermeo, José Ronaldo (2022) Desarrollo de una aplicación para la detección de plagas en el cultivo de papas aplicando redes neuronales convolucionales (trabajo de titulación). UTMACH, Facultad de Ingeniería Civil, Machala, Ecuador.es_ES
dc.identifier.otherTTFIC-2022-IS-DE00044-
dc.identifier.urihttp://repositorio.utmachala.edu.ec/handle/48000/19914-
dc.descriptionEn los últimos años el desarrollo de aplicaciones inteligentes se ha intensificado considerablemente, haciendo que resolver tareas complejas o tareas que requieren grandes esfuerzos sea más sencillos de realizar. Diferentes investigaciones muestran que la inteligencia artificial desenvuelve un papel muy importante dentro de las distintas áreas como la medicina, la robótica, la educación, la agricultura, la matemática, etc., que gracias a las ventajas que ofrece este tipo de tecnología, ha permitido encontrar soluciones más eficientes y eficaces a las necesidades de la población, mediante la automatización de procesos. Recientes estudios realizados acerca del uso de la Inteligencia Artificial en la agricultura, establecen que su uso ha permitido mejorar e innovar los sistemas tradicionales de cultivo, riego, identificación de suelos, identificación de malezas, donde los beneficios se ven reflejados en el aumento de la producción de cultivos de calidad. La agricultura es una de las áreas de estudio más antiguas en la humanidad y por lo tanto se la considera un pilar fundamental tanto en la alimentación de miles de personas como en la economía interna y externa de un país, por ende, el producir productos de calidad es una necesidad importante para los agricultores. La papa es uno de los productos con mayor demanda en muchos países y es uno de los sembríos más cultivados a nivel nacional, tanto en pequeñas escalas como grandes escalas. Comúnmente el cultivo de papa se ve afectado por distintos factores, que causan la aparición de agentes patógenos, los mismos que provocan enfermedades severas. Por eso el identificar a tiempo las plagas en el cultivo de papa es clave para evitar pérdidas económicas. La forma más rápida y segura de identificación de estas plagas es por medio del uso de la tecnología de la inteligencia artificial. Con la finalidad de apoyar a los agricultores a tener un mejor manejo saludable del cultivo se pretende implementar una aplicación, usando herramientas de inteligencia artificial para la identificación de plagas con gran precisión en el cultivo de papa mediante el uso redes neuronales convolucionales CNN. Para llevar a cabo este proyecto se empleó la herramienta Jupyter Notebook para el diseño de la red neuronal convolucional, Visual Studio Code y PyCharm como editores de código fuente y librerías como TensorFlow, Uvicorn, FastApi entre otras. Durante la construcción de la red neuronal se optó por dividir los datos, un 80% de los datos para entrenamiento, 10% para la validación y el 10% restante se empleó para la evaluación del modelo, con la finalidad de obtener resultados satisfactorios. Para el diseño de la aplicación en este caso una aplicación web se optó por usar React Js, la cual se acopla perfectamente a nuestras necesidades, ya que nos permite implementar interfaces de usuario de manera sencilla y rápida. Para la validación del modelo implementado se realizaron múltiples pruebas y mediante el uso de la matriz de confusión se logró calcular las métricas de rendimiento del prototipo, obteniendo un promedio de precisión del 90%. Gracias a los resultados obtenidos de la aplicación con datos reales, se concluye que nuestro modelo presenta un nivel de precisión aceptable y confiable, con una precisión superior a la media necesaria para considerar valido el modelo.es_ES
dc.description.abstractIn recent years, the development of intelligent applications has intensified considerably, making it easier to solve complex tasks or tasks that require great effort. Different investigations show that artificial intelligence plays a very important role in different areas such as medicine, robotics, education, agriculture, mathematics, etc., which, thanks to the advantages offered by this type of technology, has allowed find more efficient and effective solutions to the needs of the population, by automating processes. Recent studies carried out on the use of Artificial Intelligence in agriculture, establish that its use has allowed to improve and innovate traditional systems of cultivation, irrigation, soil identification, weed identification, where the benefits are reflected in the increase in production of quality crops. Agriculture is one of the oldest areas of study in humanity and therefore it is considered a fundamental pillar both in the feeding of thousands of people and in the internal and external economy of a country, therefore, producing products of Quality is an important need for farmers. The potato is one of the products with the highest demand in many countries and is one of the most cultivated crops at the national level, both on small and large scales. Commonly, potato cultivation is affected by different factors that cause the appearance of pathogenic agents, the same ones that cause severe diseases. That is why identifying pests in potato crops in time is key to avoiding economic losses. The fastest and safest way to identify these pests is through the use of artificial intelligence technology. In order to support farmers to have a better healthy management of the crop, it is intended to develop an application, using artificial intelligence tools for the identification of pests with great precision in the potato crop through the use of CNN convolutional neural networks. To carry out this project, the Jupyter Notebook tool was used for the design of the convolutional neural network, Visual Studio Code and PyCharm as source code editors and libraries such as TensorFlow, Uvicorn, FastApi among others. During the construction of the neural network, it was decided to divide the data, 80% of the data for training, 10% for validation and the remaining 10% was used for the evaluation of the model, in order to obtain satisfactory results. For the design of the application in this case, a web application was chosen to use React Js, which fits perfectly to our needs, since it allows us to implement user interfaces in a simple and fast way. For the validation of the implemented model, multiple tests were carried out and by using the confusion matrix it was possible to calculate the performance metrics of the prototype, obtaining an average accuracy of 90%. Thanks to the results obtained from the application with real data, it is concluded that our model presents an acceptable and reliable level of precision, with a precision higher than the average necessary to consider the model valid.es_ES
dc.format.extent60 p.es_ES
dc.language.isoeses_ES
dc.publisherMachala: Universidad Tëcnica de Machalaes_ES
dc.rightsopenAccesses_ES
dc.rights.urihttps://creativecommons.org/licenses/by-nc-sa/3.0/ec/es_ES
dc.subjectRED NEURONAL CONVOLUCIONALes_ES
dc.subjectPLAGAes_ES
dc.subjectINTELIGENCIA ARTIFICIALes_ES
dc.subjectAPLICACION WEBes_ES
dc.titleDesarrollo de una aplicación para la detección de plagas en el cultivo de papas aplicando redes neuronales convolucionaleses_ES
dc.typeTrabajo Titulaciónes_ES
dc.emailjmacas5@utmachala.edu.eces_ES
dc.cedula0706127743es_ES
dc.utmachtitulacion.titulacionPropuestas tecnológicases_ES
dc.utmachbibliotecario.bibliotecarioPeralta Mercyes_ES
dc.utmachproceso.procesoPT-280322 (2022-1)es_ES
Aparece en las colecciones: Trabajo de Titulación Ingeniería de sistemas

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
TTFIC-2022-IS-DE00044.pdfTRABAJO DE TITULACION3,73 MBAdobe PDFVisualizar/Abrir


Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons