Prototipo de aplicación móvil para la gestión de ventas en el sector agrícola integrando técnicas de inteligencia artificial y computación en la nube

dc.contributorTalero Sarmiento, Leonardo Hernán
dc.contributorMoreno Corzo, Feisar Enrique
dc.contributorParra Sánchez, Diana Teresa
dc.contributorTalero Sarmiento, Leonardo Hernán [0000031387]
dc.contributorMoreno Corzo, Feisar Enrique [0001499008]
dc.contributorParra Sánchez, Diana Teresa [0001476224]
dc.contributorMoreno Corzo, Feisar Enrique [jz75nEcAAAAJ&hl=es&oi=ao]
dc.contributorParra Sánchez, Diana Teresa [oxohr6EAAAAJ]
dc.contributorTalero Sarmiento, Leonardo Hernán [0000-0002-4129-9163]
dc.contributorMoreno Corzo, Feisar Enrique [0000-0002-5007-3422]
dc.contributorParra Sánchez, Diana Teresa [0000-0002-7649-0849]
dc.contributorParra Sánchez, Diana Teresa [57195677014]
dc.contributorTalero Sarmiento, Leonardo Hernán [Leonardo_Talero]
dc.contributorMoreno Corzo, Feisar Enrique [Feisar-Enrique-Moreno-Corzo-2169498891]
dc.contributorParra Sánchez, Diana Teresa [Diana_Parra_Sanchez]
dc.creatorAbuchaibe Manzano, Javier
dc.creatorGómez Durán, Xahep Julián
dc.date.accessioned2022-04-22T16:13:06Z
dc.date.available2022-04-22T16:13:06Z
dc.date.created2022-04-22T16:13:06Z
dc.date.issued2021-11-19
dc.identifierhttp://hdl.handle.net/20.500.12749/16261
dc.identifierinstname:Universidad Autónoma de Bucaramanga - UNAB
dc.identifierreponame:Repositorio Institucional UNAB
dc.identifierrepourl:https://repository.unab.edu.co
dc.description.abstractEl proyecto que será presentado a continuación trata sobre el diseño y la construcción de un prototipo de aplicación móvil para la gestión de ventas en el sector agrícola. En el desarrollo del proyecto se hizo fuerte énfasis en la utilización de tendencias tecnológicas relevantes y crecientes, por esto se hizo uso de la computación en la nube y la inteligencia artificial. El diseño del prototipo se vio altamente influenciado por el usuario final, los agricultores, a través de un diseño colaborativo. El prototipo que se desarrolló, a través del análisis de imágenes, realiza un conteo de los bultos de limón en sus bodegas y devuelve un precio estimado, se espera que esto ayude en el proceso de tomas de decisiones de los agricultores. El aplicativo se desarrolló para dispositivos móviles con sistema operativo Android y requiere del uso de la cámara móvil de dicho dispositivo, además la mayoría de sus funcionalidades estarán disponibles aún si no se cuenta con conexión a internet. Para el cálculo de los precios estimados se utilizan datos publicados por la entidad responsable de la producción de estadísticas oficiales en Colombia, el DANE. El desarrollo del proyecto consta de varias etapas, la primera de ellas fue la recopilación y el estudio exhaustivo de la literatura relevante que nos permitió ampliar nuestros conocimientos sobre las tecnologías y las técnicas asociadas a nuestro proyecto. Posteriormente, se realizan dos diseños principales que atraviesan una etapa de selección con apoyo de los usuarios finales. Por último, se construye el prototipo y se verifica su funcionamiento.
dc.languagespa
dc.publisherUniversidad Autónoma de Bucaramanga UNAB
dc.publisherFacultad Ingeniería
dc.publisherPregrado Ingeniería de Sistemas
dc.relationAcharya, T., & Ray, A. (2005). Image Processing: Principles and Applications . https://books.google.es/books?hl=es&lr=&id=smBw4xvfrIC&oi=fnd&pg=PR7&dq=image+processing&ots=FZB19OxRCH&sig=95nls Odk59k84hk9IH1kbpVsg9Y#v=onepage&q&f=false
dc.relationAguirre Dobernack, N. (2013). Implementación De Un Sistema De Detección De Señales De Tráfico Mediante Visión Artificial Basado En Fpga. 255
dc.relationAlexandrova, S., Tatlock, Z., & Cakmak, M. (2015). RoboFlow: A Flow-based Visual Programming Language for Mobile Manipulation Tasks. http://youtu.be/c3Cq0sy4TBs
dc.relationAlexeyAB. (2020). AlexeyAB/darknet: YOLOv4 / Scaled-YOLOv4 / YOLO - Neural Networks for Object Detection (Windows and Linux version of Darknet ). https://github.com/AlexeyAB/darknet
dc.relationAmpatzidis, Y., Partel, V., & Costa, L. (2020). Agroview: Cloud-based application to process, analyze and visualize UAV-collected data for precision agriculture applications utilizing artificial intelligence. Computers and Electronics in Agriculture, 174(April), 105457. https://doi.org/10.1016/j.compag.2020.105457
dc.relationAndroid Studio Developers. (2021, May 17). Introducción a Android Studio | Desarrolladores de Android. https://developer.android.com/studio/intro?hl=es-419
dc.relationArdións, A. (2016, May 16). Android Studio: Requisitos mínimos. https://androidstudiofaqs.com/conceptos/android-studio-requisitos-minimos
dc.relationArias, Á. (2015, January 11). Computación en la Nube: 2a Edición. https://books.google.com.co/books/about/Computación_en_la_Nube.html?id=0_mCgAAQBAJ&redir_esc=y
dc.relationBarrio, M. (2018). Internet de las Cosas. https://books.google.es/books?hl=es&lr=&id=jFLDwAAQBAJ&oi=fnd&pg=PA9&dq=Qué+es+el+internet+de+la+cosas&ots=3L K3iz5jzO&sig=geerUNMUtb0weqb9BbzWO1A06Jk#v=onepage&q&f=false
dc.relationBhatnagar, V., Singh, G., Kumar, G., & Gupta, R. (2020). Internet of Things in Smart Agriculture: Applications and Open Challenges. International Journal of Students’ Research in Technology & Management, 8(1), 11–17. https://doi.org/10.18510/ijsrtm.2020.812
dc.relationBotina Patiño, V. E., & Díaz Moreno, J. S. (2017). Guía de exportación de limón Tahití. https://repository.icesi.edu.co/biblioteca_digital/bitstream/10906/83654/1/TG01 920.pdf
dc.relationBrandoli, B., Spadon, G., Esau, T., Hennessy, P., Carvalho, A. C. P. L., AmerYahia, S., & Rodrigues-Jr, J. F. (2021). DropLeaf: A precision farming smartphone tool for real-time quantification of pesticide application coverage. Computers and Electronics in Agriculture, 180(August 2020), 105906. https://doi.org/10.1016/j.compag.2020.105906
dc.relationBrownlee, J. (2019, May 22). A Gentle Introduction to Object Recognition With Deep Learning. https://machinelearningmastery.com/object-recognition-withdeep-learning/
dc.relationCarrión, C. B. (2020). REDES CONVOLUCIONALES.
dc.relationCastrignano, A., Buttafuoco Gabriele, Khosla, R., Mouazen, A., Moshou, D., & Naud, O. (2020). Agricultural Internet of Things and Decision Support for Precision Smart Farming. https://www.elsevier.com/books/agricultural-internetof-things-and-decision-support-for-precision-smart-farming/castrignano/978-012-818373-1
dc.relationCorporación Colombiana de Investigación Agropecuaria (CORPOICA). (2015). MISIÓN PARA LA TRANSFORMACIÓN DEL CAMPO. https://colaboracion.dnp.gov.co/CDT/Agriculturapecuarioforestal y pesca/Diagnóstico de la Ciencia, Tecnología e Innovación en el Sector Agropecuario-CORPOICA.pdf
dc.relationCrew Noticias Móviles. (2021). La plataforma de desarrollo de visión artificial Roboflow recauda $ 20 millones - Noticias Movil. https://noticiasmoviles.com/la-plataforma-de-desarrollo-de-vision-artificialroboflow-recauda-20-millones/
dc.relationDapena, A., García-Naya, J., Castro-Castro, P.-M., & Pan, C. (2010). Aplicación web para evaluación y seguimiento del rendimiento de asignaturas y titulaciones universitarias. May 2014.
dc.relationDevin, F. (2017, February 25). Sistema de Escalas de Usabilidad: ¿qué es y para qué sirve? | | UXpañol. https://uxpanol.com/teoria/sistema-de-escalas-deusabilidad-que-es-y-para-que-sirve/
dc.relationDolezel, P., Stursa, D., Honc, D., Merta, J., Hora, I., & Beran, L. (2020, September). Counting Livestock with Image Segmentation Neural Network
dc.relationDominguez Torres, A. (2000). PROCESAMIENTO DIGITAL DE IMÁGENES.
dc.relationDVA. (2020). Importancia de la agricultura colombiana. https://dva.com.co/importancia-de-la-agricultura-colombiana/
dc.relationEBF. (2019, September 11). Ventajas y desventajas de las metodologías Agile (ágiles). https://ebf.com.es/blog/ventajas-y-desventajas-de-las-metodologiasagiles-y-su-aplicacion-en-el-trabajo/
dc.relationEmpatizar – Design Thinking para ingenieros. (n.d.). Retrieved November 4, 2021, from https://blogs.upm.es/minenergydesign/empatizar/
dc.relationFernández, A. (2019). Inteligencia artificial en los servicios financieros. Artículos Analíticos. Boletín Económico 2/2019. Scielo, 5, 10. https://dialnet.unirioja.es/servlet/articulo?codigo=7040792
dc.relationfranspg. (2020, January 27). Generación de datos artificiales (Data Augmentation) – franspg. https://franspg.wordpress.com/2020/01/27/generacion-de-datosartificiales-data-augmentation/
dc.relationFuente Sanz, Ó. M. (2019, June 4). Google Colab: Python y Machine Learning en la nube - Adictos al trabajo. https://www.adictosaltrabajo.com/2019/06/04/google-colab-python-y-machinelearning-en-la-nube/
dc.relationGerhards, R., Späth, M., Sökefeld, M., Peteinatos, G. G., Nabout, A., & Rueda Ayala, V. (2021). Automatic adjustment of harrowing intensity in cereals using digital image analysis. Weed Research, 61(1), 68–77. https://doi.org/10.1111/wre.12458
dc.relationGómez Sarasa, C. C., & Ortega Pabón, J. D. (2020, September 24). Técnicas de aumento de datos para imágenes aéreas y evaluación de rendimiento en modelos de deep learning | Revista Universidad Católica de Oriente. https://revistas.uco.edu.co/index.php/uco/article/view/285
dc.relationGoogle Colab. (2021a, November 8). Google Colab. https://research.google.com/colaboratory/intl/es/faq.html
dc.relationGoogle Colab. (2021b, November 8). Google Colab. https://colab.research.google.com/signup
dc.relationGoogle Inc. (2021a). Apps Script. https://developers.google.com/apps-script
dc.relationGoogle Inc. (2021b). Google Workspace. https://workspace.google.com
dc.relationGrupo Bancolombia. (2018, September 28). Cultivo de limón Tahití. https://www.grupobancolombia.com/wps/portal/negocios/actualizate/sostenibili dad/guia-cultivo-limon-tahiti
dc.relationHuang, J., Guo, P., Xie, Q., & Meng, X. (2015). Cloud services platform based on big data analytics and its application in livestock management and marketing. Proceedings of Science, 18-19-Dece, 1–8. https://doi.org/10.22323/1.264.0063
dc.relationHunglcoo7. (2020). YOLOv4, YOLOv4-tiny, YOLOv3, YOLOv3-tiny Implemented in Tensorflow 2.0, Android. Convert YOLO v4 .weights tensorflow, tensorrt and tflite. https://github.com/hunglc007/tensorflow-yolov4-tflite
dc.relationInstituto Colombiano Agropecuario. (2021, January 22). En Santander, alianza entre el ICA, la Gobernación, Asohofrucol, Agrosavia y productores por la citricultura de la región. https://www.ica.gov.co/noticias/gran-alianza-icaautoridades-gremios-santander
dc.relationIzaurieta, F., & Saavedra, C. (1999). Redes Neuronales Artificiales. Charlas de Fisica, 1–15. https://doi.org/10.1016/S0210-5691(05)74198-X
dc.relationJiménez, M. (2020, January 18). ¿Qué es y para qué sirve Android Studio? - Minuto Neuquen. https://www.minutoneuquen.com/tecno/2020/1/18/que-espara-que-sirve-android-studio-181273.html
dc.relationKelleher, J. D. (2019). Deep Learning. https://books.google.es/books?hl=es&lr=&id=b06qDwAAQBAJ&oi=fnd&pg=PP 9&dq=deep+learning+&ots=_oCYXIpYYN&sig=4KbEcpv_Yy1l6FuMZ2k6ljxAZ as#v=onepage&q=deep learning&f=false
dc.relationLin, Q., Ye, G., Wang, J., & Liu, H. (2021). RoboFlow: a Data-centric Workflow Management System for Developing AI-enhanced Robots. https://sites.google.com/u.northwestern.edu/roboflow
dc.relationLingwal, S., Bhatia, K. K., & Tomer, M. S. (2021). Image-based wheat grain classification using convolutional neural network. Multimedia Tools and Applications. https://doi.org/10.1007/s11042-020-10174-3
dc.relationMaldonado, M. (2019, September 12). Las mejores metodologías ágiles para la creación de software. https://www.digital55.com/desarrollotecnologia/mejores-metodologias-agiles-creacion-software
dc.relationMardian, J., Berg, A., & Daneshfar, B. (2021). Evaluating the temporal accuracy of grassland to cropland change detection using multitemporal image analysis. Remote Sensing of Environment, 255(November 2020), 112292. https://doi.org/10.1016/j.rse.2021.112292
dc.relationMartnez, J. V. Y., Skarmeta, A. F., Zamora-Izquierdo, M. A., & Ramallo-Gonzlez, A. P. (2020). IoT-based data management for Smart Agriculture. 2020 2nd International Conference on Embedded and Distributed Systems, EDiS 2020, 41–46. https://doi.org/10.1109/EDiS49545.2020.9296443
dc.relationMinisterio de Tecnologías de la Información y las Comunicaciones. (2019). Boletín trimestral de las TIC. Cifras cuarto trimestre de 2018.
dc.relationMoysiadis, V., Sarigiannidis, P., Vitsas, V., & Khelifi, A. (2021). Smart Farming in Europe. Computer Science Review, 39, 100345. https://doi.org/10.1016/j.cosrev.2020.100345
dc.relationNaciones Unidas. (2015, September 25). Objetivos y metas de desarrollo sostenible. https://www.un.org/sustainabledevelopment/es/objetivos-dedesarrollo-sostenible/
dc.relationOrús, A. (2021, February 11). Principales productores de limón y lima del mundo. https://es.statista.com/estadisticas/613493/principales-paises-productores-delimon-en-el-mundo/
dc.relationPark, J. K., & Park, E. Y. (2021). Monitoring method of movement of grazing cows using cloud-based system. ECTI Transactions on Computer and Information Technology, 15(1), 24–33. https://doi.org/10.37936/ecti-cit.2021151.240087
dc.relationPDD-Santander. (2020). Santander siempre contigo y para el mundo Plan de Desarrollo Departamental 2020-2023. Planeación Deparatamental, 53(9), 1689.
dc.relationPérez, P., & Valente, M. (2018). Fundamentos básicos del procesamiento de imágenes — documentación de Curso de imágenes médicas - 1.0. https://www.famaf.unc.edu.ar/~pperez1/manuales/cim/cap2.html#introduccional-procesamiento-de-imagenes
dc.relationPuyol, F. (2017). Una aproximación a algunos elementos de internet de las cosas. https://dialnet.unirioja.es/servlet/articulo?codigo=5178220
dc.relationRafi, S. A., Chowdhury, T. H., Rahaman, D. M. A., Bari, M. W., Islam, M. J., & Tanjim, M. S. S. (2021). Crop Condition Analyzer Robot with Image Processing Feedback to Assist Farmer. ICREST 2021 - 2nd International Conference on Robotics, Electrical and Signal Processing Techniques, 188– 192. https://doi.org/10.1109/ICREST51555.2021.9331053
dc.relationRedmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You Only Look Once: Unified, Real-Time Object Detection. http://pjreddie.com/yolo/
dc.relationResearch Gate. (2017). Data augmentation using semantic-preserving transformation for SBIR. | Download Scientific Diagram. https://www.researchgate.net/figure/Data-augmentation-using-semanticpreserving-transformation-for-SBIR_fig2_319413978
dc.relationRivera Mesa, M. (2019, October 1). Estos son los “gadgets” para el campo colombiano. https://semanarural.com/web/articulo/como-se-esta-tecnificandoel-campo-colombiano-/1159
dc.relationRoboFlow. (2021, August 5). Image Augmentation - Roboflow. https://docs.roboflow.com/image-transformations/image-augmentation
dc.relationRosselló Villán, V. (2019, March 15). Qué son las metodologías ágiles y cuáles son sus ventajas empresariales. https://www.iebschool.com/blog/que-sonmetodologias-agiles-agile-scrum/
dc.relationRoukh, A., Fote, F. N., Mahmoudi, S. A., & Mahmoudi, S. (2020). WALLeSMART: Cloud Platform for Smart Farming. ACM International Conference Proceeding Series, 1–4. https://doi.org/10.1145/3400903.3401690
dc.relationRusk, N. (2015). Deep learning. https://doi.org/10.1101/028399
dc.relationSauro, J. (2018, September 19). 5 Ways to Interpret a SUS Score – MeasuringU. https://measuringu.com/interpret-sus-score/
dc.relationSCIO. (2019, February 20). Metodología tradicional o ágil ¿Cuál es la mejor opción para mi proyecto de desarrollo de software? - Scio México. https://www.scio.com.mx/blog/metodologia-tradicional-o-agil-software/
dc.relationSemana. (2016, September 28). Colombia puede convertirse en una de las grandes despensas del mundo. https://www.semana.com/pais/articulo/comova-a-ser-el-futuro-agropecuario-de-colombia/232363/
dc.relationSemana. (2020, November 13). Limón tahití, una promesa exportadora. https://www.semana.com/empresas/articulo/limon-tahiti-podria-ser-elsiguiente-exito-exportador-del-pais/306471/
dc.relationSharma, R., Kamble, S. S., Gunasekaran, A., Kumar, V., & Kumar, A. (2020). A systematic literature review on machine learning applications for sustainable agriculture supply chain performance. Computers and Operations Research, 119, 104926. https://doi.org/10.1016/j.cor.2020.104926
dc.relationSupeshala, C. (2020). YOLO v4 or YOLO v5 or PP-YOLO? Which should I use? https://towardsdatascience.com/yolo-v4-or-yolo-v5-or-pp-yolo-dad8e40f7109
dc.relationUnión Internacional de Telecomunicaciones. (2020, May). Connect 2030 – An agenda to connect all to a better world. https://www.itu.int/en/mediacentre/backgrounders/Pages/connect-2030agenda.aspx
dc.relationVanegas, M. (2002). Guía Técnica Cultivo Del Limón Pérsico. Programa Nacional de Frutas de El Salvador, 46. http://repiica.iica.int/docs/B0217e/B0217e.pdf
dc.rightshttp://creativecommons.org/licenses/by-nc-nd/2.5/co/
dc.rightsAbierto (Texto Completo)
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rightsAtribución-NoComercial-SinDerivadas 2.5 Colombia
dc.titlePrototipo de aplicación móvil para la gestión de ventas en el sector agrícola integrando técnicas de inteligencia artificial y computación en la nube


Este ítem pertenece a la siguiente institución