DETECCIÓN DE MINADORES EN LOS CULTIVOS DE CRISANTEMOS POR MEDIO DE VISIÓN ARTIFICIAL

dc.contributorBonet, Isis
dc.creatorIbarra, Kevin
dc.creatorGarcía, Alexis
dc.date.accessioned2021-06-21T17:29:07Z
dc.date.accessioned2022-09-29T14:56:21Z
dc.date.available2021-06-21T17:29:07Z
dc.date.available2022-09-29T14:56:21Z
dc.date.created2021-06-21T17:29:07Z
dc.date.issued2021-06-14
dc.identifierhttps://repository.eia.edu.co/handle/11190/3278
dc.identifier.urihttp://repositorioslatinoamericanos.uchile.cl/handle/2250/3779655
dc.description.abstractEl aumento de los datos y su procesamiento ha potenciado el uso de la inteligencia artificial en el sector de la agricultura. El uso de estos avances tecnológicos, permiten mejorar la predicción y diagnóstico de plagas, lo que causa un incremento en la rentabilidad de los agricultores. Dentro de estas plagas se encuentra el minador, un insecto que deposita sus huevos en las hojas de las plantas perjudicando la masa foliar y facilitando el ingreso de infecciones en la misma, produciendo pérdidas en los cultivos principalmente para los agricultores de los crisantemos. Actualmente los cultivadores para combatir esta plaga realizan monitoreos manuales periódicos, en donde se estima la presencia de minador y se toman decisiones para su control. Sin embargo, estos monitoreos son costosos y lentos para las empresas por lo que su frecuencia no es la ideal. Se creó un repositorio de imágenes, donde éstas debían de estar seleccionadas y clasificadas. Se realizó un aumento de los datos para ayudar a robustecer el modelo y evitar un poco de ruido por la disposición que pudieran tener las imágenes. Se procedió a extraer características de los datos para luego ser ingresados a los varios modelos de machine learning seleccionados: red neuronal, máquinas de vectores de soporte, KNN. También se probaron diferentes redes profundas como: ResNet50, MobileNet, MobileNet V2, Xception3 y red YOLO. Para esta clasificación, se dividieron los datos en dos conjuntos: entrenamiento y prueba, se ingresaron a los modelos, y por último se compararon los modelos entre sí por medio de la validación cruzada para obtener el mejor clasificador. Los resultados obtenidos indicaron que el modelo más apropiado para la detección del minador en los crisantemos fue la red YOLO, con este modelo se lograron estadísticas muy buenas en contraste a las demás, debido, en parte, al aumento de datos autónomo y facilidad de implementación.
dc.languagespa
dc.publisherIngeniería de Sistemas y Computación
dc.publisherEscuela de Ingeniería y Ciencias Básicas
dc.relationAlexey Bochkovskiy. (2016). Documentación oficial Darknet. https://github.com/AlexeyAB/darknet Bedolla, J., Salazar, E., & Solano, S. (2020). Reconocimiento automático de patrones y características de las imágenes de los cultivos como alternativa para el desarrollo agrícola. 19(33), 90–105. Bijalwan, V., Kumar, V., Kumari, P., & Pascual, J. (2014). KNN based machine learning approach for text and document mining. International Journal of Database Theory and Application, 7(1), 61–70. https://doi.org/10.14257/ijdta.2014.7.1.06 Bishop, C. (2007). Neural Networks for Pattern Recognition. In Oxford. Oxford University Press. Chouhan, S. S., Kaul, A., Singh, U. P., & Jain, S. (2018). Bacterial foraging optimization based radial basis function neural network (BRBFNN) for identification and classification of plant leaf diseases: An automatic approach towards plant pathology. IEEE Access, 6, 8852–8863. https://doi.org/10.1109/ACCESS.2018.2800685 Constantino, L., Flórez, J., Benavides, P., & Bacca, T. (2011). Minador de las hojas del cafeto : Una plaga potencial por efectos del cambio climático. Cenicafé, 409, 1–12. https://www.cenicafe.org/es/index.php/nuestras_publicaciones/avances_tecnicos/avance_tecnico_0409 Cui, L., Li, G., Zhu, Z., Lin, Q., Wen, Z., Lu, N., Wong, K. C., & Chen, J. (2017). A novel artificial bee colony algorithm with an adaptive population size for numerical function optimization. Information Sciences, 414, 53–67. https://doi.org/10.1016/j.ins.2017.05.044 Díaz, H. (2017). Tecnologías de la información y comunicación y crecimiento económico. Economía Informa, 405, 30–45. https://doi.org/10.1016/j.ecin.2017.07.002 Díaz Pongutá, B., Lans Ceballos, E., & Barrera Violeth, J. L. (2012). Residuos de insecticidas organoclorados presentes en leche cruda comercialziada en el departamento de Córdoba, Colombia. Acta Agronómica, 61(1), 10–15. Frank, E., & Bouckaert, R. (2006). Naive bayes for text classification with unbalanced classes. Lecture Notes in Computer Science (Including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). https://doi.org/10.1007/11871637_49 García, I., & Caranqui, V. (2015). La visión artificial y los campos de aplicación. Tierra Infinita, 1, 94–103. https://doi.org/2631-2921 Gonzalez, M., Baglio, C., Pivano, M. V., Pisi, G., & D’Agostino, L. (2018). Plagas en cultivos de flores y ornamentales de Mendoza. In INTA Ediciones (Vol. 5, Issue 1). https://ejournal.poltektegal.ac.id/index.php/siklus/article/view/298%0Ahttp://repositorio.unan.edu.ni/2986/1/5624.pdf%0Ahttp://dx.doi.org/10.1016/j.jana.2015.10.005%0Ahttp://www.biomedcentral.com/1471-2458/12/58%0Ahttp://ovidsp.ovid.com/ovidweb.cgi?T=JS&P Huang, R., Pedoeem, J., & Chen, C. (2019). YOLO-LITE: A Real-Time Object Detection Algorithm Optimized for Non-GPU Computers. Proceedings - 2018 IEEE International Conference on Big Data, Big Data 2018, 2503–2510. https://doi.org/10.1109/BigData.2018.8621865 Islam, M., Dinh, A., Wahid, K., & Bhowmik, P. (2017). Detection of potato diseases using image segmentation and multiclass support vector machine. Canadian Conference on Electrical and Computer Engineering, 8–11. https://doi.org/10.1109/CCECE.2017.7946594 Janez, D., Tomaz, C., Ales, E., Crt, G., Tomaz, H., Mitar, M., Martin, M., Matija, P., Marko, T., Anze, S., Miha, S., Lan, U., Lan, Z., Jure, Z., Marinka, Z., & Blaz, Z. (2013). Orange: Data Mining Toolbox in Python. Journal of Machine Learning Research, 2349–2353. https://jmlr.org/papers/volume14/demsar13a/demsar13a.pdf Johannes, A., Picon, A., Alvarez, A., Echazarra, J., Rodriguez, S., Navajas, A. D., & Ortiz, A. (2017). Automatic plant disease diagnosis using mobile capture devices, applied on a wheat use case. Computers and Electronics in Agriculture, 138, 200–209. https://doi.org/10.1016/j.compag.2017.04.013 Li, Y., Wang, H., Dang, L. M., Sadeghi-Niaraki, A., & Moon, H. (2020). Crop pest recognition in natural scenes using convolutional neural networks. Computers and Electronics in Agriculture, 169(January), 105174. https://doi.org/10.1016/j.compag.2019.105174 Lim, C. H., Vats, E., & Chan, C. S. (2015). Fuzzy human motion analysis: A review. Pattern Recognition, 48(5), 1773–1796. https://doi.org/10.1016/j.patcog.2014.11.016 Londoño, D. (2018). Impacto de la automatización en la empleabilidad en paises en vía de desarrollo. https://repository.unimilitar.edu.co/bitstream/handle/10654/32102/LONDOÑO QUINTANA DANIEL FERNANDO2018.PDF.pdf?sequence=1&isAllowed=y Marín Diazaraque, J. M. (2007). Introducción a las redes neuronales aplicadas. Manual Data Mining, 1–31. halweb.uc3m.es/esp/Personal/personas/jmmarin/esp/DM/tema3dm.pdf Mengistu, A. D., Alemayehu, D. M., & Mengistu, S. G. (2016). Ethiopian Coffee Plant Diseases Recognition Based on Imaging and Machine Learning Techniques. International Journal of Database Theory and Application, 9(4), 79–88. https://doi.org/10.14257/ijdta.2016.9.4.07 Minagricultura. (2019). Cadena de Flores. https://sioc.minagricultura.gov.co/Flores/Documentos/2019-06-30 Cifras Sectoriales.pdf Minesterio de agricultura y desarrollo rural. (2016). Incentivos e inversión en la ciencia y la tecnología para el sector agropecuario. https://www.agronet.gov.co/Noticias/Paginas/Incentivos-e-inversión-en-la-ciencia-y-la-tecnología-para-el-sector-agropecuario---.aspx Morbekar, A., Parihar, A., & Jadhav, R. (2020). Crop disease detection using YOLO. 2020 International Conference for Emerging Technology, 1–5. https://doi.org/10.1109/INCET49848.2020.9153986 Peres, F., Costa, J., Meneses, K., Lerner, R., & Claudio, L. (2020). El uso de pesticidads en la agricultura la salud del trabajador rural en Brasil. Revista Enfermeria La Vanguardia, 6(2), 40–47. https://doi.org/10.35563/revan.v6i2.210 Redmon, J., Divvala, S., & Girshik, R. (2016). You Only Look Once: Unified, Real-Time Object Detection. University of Washington. Rivas, W., & Marzón, B. (2018). Redes neuronales artificiales aplicadas al reconocimiento de patrones. In Redes neuronales artificiales aplicadas al reconocimiento de patrones (Issue June, pp. 11–35). http://repositorio.utmachala.edu.ec/handle/48000/12499 Roldán, B., Roshan, R., & Sánchez, E. (2019). Detección de enfermedades en el sector agrícola utilizando Inteligencia Artificial. 148(7), 419–427. Rouse, M. (2016). What Is Fuzzy Logic? SearchEnterpriseAI. https://searchenterpriseai.techtarget.com/definition/fuzzy-logic Rüping, S. (2010). SVM classifier estimation from group probabilities. LWA 2010 - Lernen, Wissen Und Adaptivitat - Learning, Knowledge, and Adaptivity, Workshop Proceedings, April, 129–135. Saady, Y., Massi, I., Yassa, M., Mammass, D., & Benazoun, A. (2016). Automatic recognition of plant leaves diseases based on serial combination of two SVM classifiers. Proceedings of 2016 International Conference on Electrical and Information Technologies, ICEIT 2016, 561–566. https://doi.org/10.1109/EITech.2016.7519661 Salamanca, J., Yohan, M., & Vásquez, S. (2019). Efecto del TLC con la Unión Europea en la exportación de las flores colombianas y los mercados que se pueden potencializar. 2, 21. Salvo, A., & Valladares, G. R. (2007). Parasitoides de minadores de hojas y manejo de plagas. Ciencia e Investigación Agraria, 34(3), 167–185. https://doi.org/10.4067/s0718-16202007000300001 Serrano, A. S. i. (2017). YOLO Object Detector for Onboard Driving. Universitat Autonoma De Barcelona, 1(Cvc). Singh, V., & Misra, A. K. (2017). Detection of plant leaf diseases using image segmentation and soft computing techniques. Information Processing in Agriculture, 4(1), 41–49. https://doi.org/10.1016/j.inpa.2016.10.005 Suhartono, D., Aditya, W., Lestari, M., & Yasin, M. (2013). Expert System in Detecting Coffee Plant Diseases. International Journal of Electrical Energy, April, 156–162. https://doi.org/10.12720/ijoee.1.3.156-162 Yamashita, R., Nishio, M., Do, R., & Togashi, K. (2021). Convolutional Neural Networks: An Overview and Its Applications in Pattern Recognition. Smart Innovation, Systems and Technologies, 195, 21–30. https://doi.org/10.1007/978-981-15-7078-0_3 Yanes Figueroa, M., & Téllez Navarro, M. (2004). Estudio del parasitismo natural del minador de hojas, Liriomyza spp. en cultivo de judía bajo invernadero plástico en la provincia de Almería. Boletín de Sanidad Vegetal. Plagas, 30(3), 563–572. Yucra, S., Gasco, M., Rubio, J., & Gonzales, G. F. (2008). Revisión Exposición Ocupacional a Plomo Y Pesticidas Órganofosforados : Efecto Sobre La Salud Reproductiva Masculina Occupational Exposure To Lead and Organophosphorus Pesticides : Effect on Male Reproductive Health. Rev. Peru Med Exp Salud Pública, 25(4), 394–402.
dc.rightsinfo:eu-repo/semantics/closedAccess
dc.titleDETECCIÓN DE MINADORES EN LOS CULTIVOS DE CRISANTEMOS POR MEDIO DE VISIÓN ARTIFICIAL
dc.typeTrabajo de grado - Pregrado


Este ítem pertenece a la siguiente institución