dc.contributor | Martínez Vásquez, David Alejandro | |
dc.creator | Avila Perez, Gustavo Adolfo | |
dc.date.accessioned | 2023-03-09T16:37:50Z | |
dc.date.accessioned | 2023-09-07T18:40:27Z | |
dc.date.available | 2023-03-09T16:37:50Z | |
dc.date.available | 2023-09-07T18:40:27Z | |
dc.date.created | 2023-03-09T16:37:50Z | |
dc.date.issued | 2022 | |
dc.identifier | http://hdl.handle.net/20.500.12209/18306 | |
dc.identifier | instname:Universidad Pedagógica Nacional | |
dc.identifier | reponame:Repositorio Institucional de la Universidad Pedagógica Nacional | |
dc.identifier | repourl: http://repositorio.pedagogica.edu.co/ | |
dc.identifier.uri | https://repositorioslatinoamericanos.uchile.cl/handle/2250/8738470 | |
dc.description.abstract | En este documento se encuentra el desarrollo de una aplicación para Android usando redes neuronales por medio de la librería de código abierto TensorFlow con el fin de identificar plagas en las hojas del café. Para lograr el entrenamiento de la red neuronal, se han tomado como referencia bases de datos con imágenes de plagas de Cercospora, Phoma, Roya Minador de hojas y Arañita roja para así lograr la identificación. El proceso de programación para el entrenamiento y la identificación de patrones se hizo en lenguaje Python, usando los entornos de desarrollo anaconda y Jupyter Notebook. Por otra parte, la aplicación para Android se desarrolló en Java, usando el entrono Android Studio, en el cual se importó la librería TensorFlow Lite. | |
dc.language | spa | |
dc.publisher | Universidad Pedagógica Nacional | |
dc.publisher | Licenciatura en Electrónica | |
dc.publisher | Facultad de Ciencia y Tecnología | |
dc.relation | Bravo Durán, V., de la Cruz Malavassi, E., Herrera Ledezma, G., & Ramírez Muñoz, F. (Enero – junio 2013). Uso de plaguicidas en cultivos agrícolas como herramienta para el monitoreo de peligros en salud. UNICIENCIA, 351-376. | |
dc.relation | Alvarez Germade, Y., Barbará Morales, E., & Rodriguez Ramirez , O. (2010). FILTRADO DIGITAL EN EL PROCESAMIENTO DE IMÁGENES EMPLEANDO MATLAB. Convención Científica de Ingeniería y Arquitectura. | |
dc.relation | Baird, D. (1991). El principio de mínimos cuadrados . En En Experimentación: Una introducción a la teoría de mediciones y al diseño de experimentosa la teoría de mediciones y al diseño de experimentos (págs. 172-177). México: Pearson Prentice Hal | |
dc.relation | BENAVIDES M, P. G. (2013). Plagas del café Broca, minador, cochinillas harinosas arañita roja y monalonion. Manual cafetera colombiano: investigación y tecnología para la sostenibilidad de la caficultura, 2016-225. | |
dc.relation | Bertona, L. (2005). Entrenamiento de Redes Neuronales Basado en Algoritmos Evolutivos. | |
dc.relation | Bustillo Pardey, Á. E. (2007). El manejo de cafetales y su relación con el control de la broca del café en Colombia. Manizales : CENICAFÉ. | |
dc.relation | Casa Robles, P. C. (2020). Desarrollo de aplicaciones móviles de clasificación y detección de objetos a partir de redes convolucionales ligeras (Master's thesis). | |
dc.relation | Constantino, L. M. (2011). Aspectos biológicos, morfológicos y genéticos de Hypothenemus obscurus e Hypothenemus hampei (Coleoptera: Curculionidae: Scolytinae). Revista Colombiana de Entomología, 173-18. | |
dc.relation | Constantino, L. M. (2013). Minador de las hojas del cafeto: Una plaga potencial por efectos del cambio climático. Manizales : Centro Nacional de Investigaciones de Café (Cenicafé). | |
dc.relation | Del Puerto Rodríguez, A., Suárez Tamayo, S., & Palacio Estrada, D. (2104). Efectos de los plaguicidas sobre el ambiente y la salud. Revista Cubana de Higiene y Epidemiología, 372-387. | |
dc.relation | Dietterich, T. (1995). Overfitting and undercomputing in machine learning. ACM computing surveys, 326-327. | |
dc.relation | Enriquez, E. B. (1975). Morfología, Ciclo Biológico y Comportamiento de Leucoptera coffeella Guer-Men. Revista Peruana de Entolomogía, 79-81. | |
dc.relation | Esgario, J. G. (2020). Deep learning for classification and severity estimation of coffee leaf biotic stress. Computers and Electronics in Agriculture. | |
dc.relation | GIL, Z. C. (2013). Aprenda a manejar la arañita roja del café. Cenicafé. | |
dc.relation | Gil-Palacio, Z. C.-M. (2021). Diagnóstico de las cochinillas de las raíces del café en ocho departamentos cafeteros de Colombia. Avances técnicos Cenicafé, 1-8. | |
dc.relation | Gil-Vallejo, L. F., & LeguizamÛn-Caycedo, J. E. (2000). LA MUERTE DESCENDENTE DEL CAFETO (Phoma spp.). Chinchina : Cenicafe. | |
dc.relation | Hernández-Martínez, G. &.-P. (2016). Análisis integral sobre la roya del café y su control. RINDERESU, 92-99. | |
dc.relation | Instituto Colombiano Agropecuario (ICA). (07 de Febrero de 2014). Para combatir el picudo de la guayaba productores deben adoptar medidas fitosanitarias eficientes. Obtenido de Noticias Instituto Colombiano Agropecuario : https://www.ica.gov.co/noticias/agricola/2013-(1)/para-combatir-el-picudo-de-la-guayaba-productores | |
dc.relation | J. G. M. Esgario, R. A. (2019). Deep Learning for Classification and Severity Estimation of Coffee Leaf Biotic Stress. Computers and Electronics in Agriculture, 169. Obtenido de https://arxiv.org/abs/1907.11561 | |
dc.relation | Jaramillo, M. G., Benavides machado, p., & Constantino, L. M. (2015). Conozca al pasador de las ramas del café : Un insecto plaga ocasional en Colombia. Manizales: CENICAFE. | |
dc.relation | Keras. (30 de 11 de 2022). Keras, Simple. Flexible. Poderoso. Obtenido de https://keras.io/ | |
dc.relation | Marín-Ramírez, G. L.-V.-F. (2019). Alertas tempranas para el manejo de enfermedades. Cenicafé. | |
dc.relation | Martín Abadi, A. A. (2015). TensorFlow: Large-scale machine learning on heterogeneous systems,. Obtenido de Software available from tensorflow.org.: ww.tensorflow.org | |
dc.relation | Matich, D. J. (2001). Informática Aplicada a la Ingeniería de Procesos – Orientación I. Redes Neuronales: Conceptos Básicos y Aplicaciones. Rosario - Mexico: Universidad Tecnológica Nacional. | |
dc.relation | Montalbo, F. J. (2022). Automated diagnosis of diverse coffee leaf images through a stage-wise aggregated triple deep convolutional neural network. Machine Vision and Applications, 33(1), 1-22. | |
dc.relation | Müller , A. C., & Guido, S. (2018). Introduction to Machine Learning with Python: a guide for data scientists. " O'Reilly Media, Inc.". | |
dc.relation | Muñoz, O. A. (2019). Diseño de un sistema de visión artificial para el análisis de calidad y producción de rosas. Obtenido de http://hdl.handle.net/20.500.12209/12074. | |
dc.relation | NumPy. (2022). NumPy documentación . Obtenido de https://numpy.org/doc/stable/ | |
dc.relation | Oliveira, A. J. (2019). Analysis of nematodes in coffee crops at different altitudes using aerial images. 27th European Signal Processing Conference (EUSIPCO), 1-5. | |
dc.relation | Parraga-Alava, J., Cusme, K., Loor, A., & Santander, E. (2019). RoCoLe: A robusta coffee leaf images dataset. Mendeley Data V2. doi:10.17632/c5yvn32dzg.2 | |
dc.relation | Python Software Foundation. (26 de 12 de 2022). Historia y Licencia. Obtenido de Historia y Licencia: https://docs.python.org/es/3/license.html | |
dc.relation | Reddy, K. T. (2017). Técnicas de procesamiento de imágenes para la detección de formas de insectos en cultivos de campo. Conferencia internacional sobre computación e informática inventivas (ICICI) de 2017, 699-704. | |
dc.relation | Rengifo, H. G. (202). Algunos aspectos biológicos de Cercospora coffeicola. | |
dc.relation | Rivillas, C. A. (2011). La roya del cafeto en Colombia: Impacto manejo y costos del control. Chinchiná: Cenicafe. | |
dc.relation | Roman Gonzalez, A. (2012). Análisis de imágenes digitales. ECIPeru, 61-68. | |
dc.relation | Sánchez-Méndez, A. G.-H. (2018). Análisis de imágenes multiespectrales para la detección de cultivos y detección de plagas y enfermedades en la producción de café. Res. Comput. Sci, 309-317. | |
dc.relation | TensorFlow. (1 de 12 de 2022). TensorFlow Lite. Obtenido de https://www.tensorflow.org/lite/guide | |
dc.relation | Torres, J. (2020). Python deep learning: introducción práctica con Keras y TensorFlow 2. Marcombo. | |
dc.relation | Valencia, J. H. (2022). Construcción de una app nativa Android para la detección facial de emociones usando técnicas de inteligencia artificial. Pro Sciences: Revista de Producción, Ciencias e Investigación, 52-61. | |
dc.relation | Villegas, C. &. (2014). Identificación de cochinillas harinosas en las raíces de café en departamentos cafeteros de Colombia. | |
dc.relation | Villegas, C. P. (2015). Aspectos del ciclo de vida de Puto barberi Cockerell Hemiptera: Putoidae. | |
dc.relation | Villegas, C. Z. (2010). Identificación y hábitos de cochinillas harinosas asociadas a raíces del café en Quindío. | |
dc.relation | Vorobioff, J., Cerrotta, S., Eneas Morel, N., & Amadio, A. (20222). Inteligencia Artificial y Redes Neuronales: Fundamentos Ejercicios y Aplicaciones con Phyton y Matlab. Buenos Aires: edUTecNe. | |
dc.rights | https://creativecommons.org/licenses/by-nc-nd/4.0/ | |
dc.rights | info:eu-repo/semantics/openAccess | |
dc.rights | http://purl.org/coar/access_right/c_abf2 | |
dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 International | |
dc.subject | Aprendizaje de máquina | |
dc.subject | Procesamiento de imagen | |
dc.subject | Identificación plagas | |
dc.subject | Python | |
dc.subject | Redes neuronales | |
dc.title | Entrenamiento de redes neuronales para la identificación de plagas en cultivos de café. | |
dc.type | info:eu-repo/semantics/bachelorThesis | |