DSpace logo

Por favor, use este identificador para citar o enlazar este ítem: http://repositorio.utmachala.edu.ec/handle/48000/23113
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.contributor.advisorNovillo Vicuña, Johnny Paúl-
dc.contributor.authorArmijos Sigcho, Galo Alexander-
dc.contributor.authorVásquez Ramón, Cristhian Alejandro-
dc.date.accessioned2024-06-21T19:16:20Z-
dc.date.available2024-06-21T19:16:20Z-
dc.date.issued2024-06-
dc.identifier.citationArmijos Sigcho, G. A. & Vásquez Ramón, C. A.(2024) Desarrollo de una aplicación para el monitoreo del crecimiento de tilapias utilizando machine learning (TRABAJO DE TITULACION), UTMACH. Facultad de Ingeniería Civil. Machala, Ecuadores_ES
dc.identifier.otherTTFIC-2024-TINF-DE00019-
dc.identifier.urihttp://repositorio.utmachala.edu.ec/handle/48000/23113-
dc.descriptionLa aplicación del aprendizaje automático tiene gran potencial en la acuicultura, ya que puede proporcionar datos importantes sobre el crecimiento de los peces que no requieren medidas de invasión. Además, la introducción de avanzadas técnicas en la acuicultura contribuye al avance tecnológico del sector, lo cual repercute positivamente en los indicadores económicos, la sostenibilidad y el bienestar social. El objetivo del proyecto radica en la necesidad de aplicar estimaciones ágiles y no invasivas sobre el crecimiento de las tilapias que permitan optimizar las mediciones manuales, además de utilizar técnicas estadísticas para la estimación de la longitud y el peso de las tilapias, dejando a un lado los métodos tradicionales. Para lograr este proyecto, se realizaron una serie de pasos. Primero, se llevó a cabo una revisión bibliográfica enfocada en la estimación de peso mediante visión artificial. Segundo, se recolectaron cerca de 1000 imágenes de tilapias para la construcción del dataset. Tercero, se adaptó el modelo pre-entrenado de YOLOv8 para la segmentación de las tilapias, además de realizarse un modelo utilizando una técnica estadística como lo es la regresión lineal específicamente para la estimación del peso y longitud. De este modo, con ambos modelos, se integraron en una página web utilizando la metodología Extreme Programming o XP, a fin de realizar el desarrollo de la aplicación web con sus fases: planificación, diseño, codificación y pruebas. Mediante una matriz de confusión se evaluó el modelo de detección y segmentación con las métricas de precisión y exactitud alcanzando una precisión del 88%, además de evaluar el modelo con la norma ISO 9126 con el objetivo de valorar la funcionabilidad, confiabilidad, usabilidad y eficiencia de esta aplicación web. Al finalizar las pruebas se comprobó con éxito que esta aplicación web puede detectar, segmentar y predecir tanto la longitud como el peso de una tilapia mediante una imagen con cierto grado de precisión a los valores reales, no obstante, las predicciones en algunos casos muestran una discrepancia significativa, posiblemente debido a la limitada variabilidad en los datos recopilados para longitud y pesoes_ES
dc.description.abstractThe application of machine learning has great potential in aquaculture as it can provide important data on fish growth that does not require invasive measures. Furthermore, the introduction of advanced techniques in aquaculture contributes to the technological advancement of the sector, which has a positive impact on economic indicators, sustainability and social well-being. The objective of the project lies in the need to apply agile and non-invasive estimates on the growth of tilapia that allow optimizing manual measurements, in addition to using statistical techniques to estimate the length and weight of tilapia, leaving aside traditional methods. To achieve this project, a series of steps were carried out. First, a literature review focused on weight estimation using computer vision was carried out. Second, about 1000 tilapia images were collected for the construction of the dataset. Third, the YOLOv8 pre-trained model was adapted for the segmentation of tilapia, in addition to creating a model using a statistical technique such as linear regression specifically for the estimation of weight and length. In this way, with both models, they were integrated into a web page using the Extreme Programming or XP methodology, in order to develop the web application with its phases: planning, design, coding and testing. Using a confusion matrix, the detection and segmentation model was evaluated with the precision and accuracy metrics, reaching a precision of 88%, in addition to evaluating the model with the ISO 9126 standard with the objective of assessing functionality, reliability, usability and efficiency. of this web application. At the end of the tests, it was successfully verified that this web application can detect, segment and predict both the length and weight of a tilapia using an image with a certain degree of precision to the real values, however, the predictions in some cases show a significant discrepancy, possibly due to limited variability in data collected for length and weightes_ES
dc.format.extent78p.es_ES
dc.language.isoeses_ES
dc.publisherMachala; Universidad Técnica de Machalaes_ES
dc.rightsopenAccesses_ES
dc.rights.urihttps://creativecommons.org/licenses/by-nc-sa/3.0/ec/es_ES
dc.subjectMACHINE LEARNINGes_ES
dc.subjectFISH DETECTIONes_ES
dc.subjectFISH ESTIMATEes_ES
dc.subjectNEURAL NETWORKes_ES
dc.subjectTILAPIAes_ES
dc.subjectCOMPUTER VISIONes_ES
dc.titleDesarrollo de una aplicación para el monitoreo del crecimiento de tilapias utilizando machine learninges_ES
dc.typebachelorThesises_ES
dc.emailgarmijos11@utmachala.edu.eces_ES
dc.emailcvasquez4@utmachala.edu.eces_ES
dc.cedula0705812147es_ES
dc.cedula0750529596es_ES
dc.utmachtitulacion.titulacionPropuestas tecnológicases_ES
dc.utmachbibliotecario.bibliotecarioPeralta Mercyes_ES
dc.utmachproceso.procesoPGRD-010424 (2023-2)es_ES
Aparece en las colecciones: Trabajo de Titulación Tecnología de la Información

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
ARMIJOS SIGCHO, GALO TINF 19.pdfTRABAJO DE TITULACION2,84 MBAdobe PDFVisualizar/Abrir


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