| dc.contributor | Cantuña Flores, Karla Susana, Mtr. | |
| dc.creator | Casa Lema, Mercedes Azucena | |
| dc.creator | Tumbaco Sango, Jenny Celia | |
| dc.date | 2020-11-04T19:04:38Z | |
| dc.date | 2020-11-04T19:04:38Z | |
| dc.date | 2020-02 | |
| dc.date.accessioned | 2023-08-08T21:27:00Z | |
| dc.date.available | 2023-08-08T21:27:00Z | |
| dc.identifier | Casa Lema. M.A. (2020) Aplicación móvil para clasificación automática de malas hierbas en imágenes usando aprendizaje profundo. U.T.C. Latacunga. 69 p. | |
| dc.identifier | T-001477 | |
| dc.identifier | http://repositorio.utc.edu.ec/handle/27000/6698 | |
| dc.identifier.uri | https://repositorioslatinoamericanos.uchile.cl/handle/2250/8080026 | |
| dc.description | Weeds in the field, are considered a major problem for crops, cause negative effects that rival the corn
plants in their development by removing all the nutrient elements, where the farmer uses any herbicide
to eliminate these weeds by applying in all The crop For this reason, it is considered important that this
problem be treated. One of the solutions to mitigate this problem could be through the use of deep
learning techniques that allow obtaining a mobile application with information to minimize or eliminate
weeds in the corn crop based on the correct herbicide. The literature review allowed to determine similar
studies for the classification of weeds in the crop through techniques used to classify automatically.
However, the techniques proposed by the researchers have limited use of machine learning techniques.
Therefore, a classification model based on deep learning techniques for the classification of weeds in
images is proposed. As a result, a mobile application developed under the latest technology developed
for the benefit of farmers, institutional herbarium, students and professors of related areas at the
Technical University of Cotopaxi is obtained. The methodology used for the development of the
research project was the Convolutionary Neural Networks, using the CRISP-DM methodology that
corresponds to the description of the phases. In addition, the Android Studio programming language and
the Custum Vision platform will be used allowing learning algorithms to be used, with the Tensorflow
open source library capable of building neural networks, used for the detection of people, animals, plants
and places. The generated model was evaluated achieving an accuracy of 97.8%, a recall of 97.3% and
an A.P of 97.8%, allowing optimum results in the classification of weeds automatically. | |
| dc.description | Las malas hierbas en el campo, son consideradas como un gran problema para los cultivos,
causan efectos negativos que rivalizan con las plantas de maíz en su desarrollo quitándoles
todos los elementos nutrientes, donde el agricultor utiliza cualquier herbicida para eliminar
estas malas hierbas aplicando en todo el cultivo. Por tal razón, se considera importante que este
problema se tratado. Una de las soluciones para atenuar esta problemática podría ser mediante
el uso de técnicas de aprendizaje profundo que permita obtener una aplicación móvil con
información para minimizar o eliminar las malas hierbas en el cultivo de maíz en base al
herbicida correcto. La revisión de la literatura permitió determinar estudios similares para la
clasificación de malas hierbas en el cultivo a través técnicas empleadas para clasificar de forma
automática. Sin embargo, las técnicas propuestas por los investigadores tienen limitados el uso
de técnicas de aprendizaje automático. Por consiguiente, se propone un modelo clasificador
basado en técnicas de aprendizaje profundo para la clasificación de las malas hierbas en
imágenes. Como resultado se obtiene una aplicación móvil desarrollada bajo tecnología de
última generación desarrollada para beneficio de los agricultores, Herbario institucional,
estudiantes y profesores de áreas relacionadas en la Universidad Técnica de Cotopaxi. La
metodología utilizada para el desarrollo del proyecto de investigación fueron las Redes
Neuronales Convolucionales, empleando la metodología CRISP-DM que corresponde a la
descripción de las fases. Además, se utilizará el lenguaje de programación Android Studio y la
plataforma Custum Vision permitiendo emplear algoritmos de aprendizaje, con la biblioteca
Tensorflow de código abierto capaz de construir redes neuronales, utilizada para la detección
de objetos personas, animales, plantas y lugares. El modelo generado fue evaluado logrando
una precisión de 97.8%, un recall de 97.3% y un A.P de 97.8%, permitiendo obtener resultados
óptimos en la clasificación de malas hierbas de forma automática. | |
| dc.format | 69 páginas | |
| dc.language | spa | |
| dc.publisher | Ecuador: Latacunga: Universidad Técnica de Cotopaxi; Facultad de Ciencias de la Ingeniería y A plicadas. | |
| dc.rights | openAccess | |
| dc.rights | http://creativecommons.org/licenses/by-nc-sa/3.0/ec/ | |
| dc.subject | Informática | |
| dc.subject | Aprendizaje profundo | |
| dc.subject | Redes Neuronales | |
| dc.subject | Tensorflow | |
| dc.title | Aplicación móvil para clasificación automática de malas hierbas en imágenes usando aprendizaje profundo. | |
| dc.type | bachelorThesis | |
