Entrenamiento de redes neuronales para la identificación de plagas en cultivos de café.

dc.contributorMartínez Vásquez, David Alejandro
dc.creatorAvila Perez, Gustavo Adolfo
dc.date.accessioned2023-03-09T16:37:50Z
dc.date.accessioned2023-09-07T18:40:27Z
dc.date.available2023-03-09T16:37:50Z
dc.date.available2023-09-07T18:40:27Z
dc.date.created2023-03-09T16:37:50Z
dc.date.issued2022
dc.identifierhttp://hdl.handle.net/20.500.12209/18306
dc.identifierinstname:Universidad Pedagógica Nacional
dc.identifierreponame:Repositorio Institucional de la Universidad Pedagógica Nacional
dc.identifierrepourl: http://repositorio.pedagogica.edu.co/
dc.identifier.urihttps://repositorioslatinoamericanos.uchile.cl/handle/2250/8738470
dc.description.abstractEn 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.languagespa
dc.publisherUniversidad Pedagógica Nacional
dc.publisherLicenciatura en Electrónica
dc.publisherFacultad de Ciencia y Tecnología
dc.relationBravo 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.relationAlvarez 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.relationBaird, 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.relationBENAVIDES 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.relationBertona, L. (2005). Entrenamiento de Redes Neuronales Basado en Algoritmos Evolutivos.
dc.relationBustillo Pardey, Á. E. (2007). El manejo de cafetales y su relación con el control de la broca del café en Colombia. Manizales : CENICAFÉ.
dc.relationCasa Robles, P. C. (2020). Desarrollo de aplicaciones móviles de clasificación y detección de objetos a partir de redes convolucionales ligeras (Master's thesis).
dc.relationConstantino, L. M. (2011). Aspectos biológicos, morfológicos y genéticos de Hypothenemus obscurus e Hypothenemus hampei (Coleoptera: Curculionidae: Scolytinae). Revista Colombiana de Entomología, 173-18.
dc.relationConstantino, 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.relationDel 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.relationDietterich, T. (1995). Overfitting and undercomputing in machine learning. ACM computing surveys, 326-327.
dc.relationEnriquez, E. B. (1975). Morfología, Ciclo Biológico y Comportamiento de Leucoptera coffeella Guer-Men. Revista Peruana de Entolomogía, 79-81.
dc.relationEsgario, J. G. (2020). Deep learning for classification and severity estimation of coffee leaf biotic stress. Computers and Electronics in Agriculture.
dc.relationGIL, Z. C. (2013). Aprenda a manejar la arañita roja del café. Cenicafé.
dc.relationGil-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.relationGil-Vallejo, L. F., & LeguizamÛn-Caycedo, J. E. (2000). LA MUERTE DESCENDENTE DEL CAFETO (Phoma spp.). Chinchina : Cenicafe.
dc.relationHernández-Martínez, G. &.-P. (2016). Análisis integral sobre la roya del café y su control. RINDERESU, 92-99.
dc.relationInstituto 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.relationJ. 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.relationJaramillo, 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.relationKeras. (30 de 11 de 2022). Keras, Simple. Flexible. Poderoso. Obtenido de https://keras.io/
dc.relationMarín-Ramírez, G. L.-V.-F. (2019). Alertas tempranas para el manejo de enfermedades. Cenicafé.
dc.relationMartín Abadi, A. A. (2015). TensorFlow: Large-scale machine learning on heterogeneous systems,. Obtenido de Software available from tensorflow.org.: ww.tensorflow.org
dc.relationMatich, D. J. (2001). Informática Aplicada a la Ingeniería de Procesos – Orientación I. Redes Neuronales: Conceptos Básicos y Aplicaciones. Rosario - Mexico: Universidad Tecnológica Nacional.
dc.relationMontalbo, 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.relationMüller , A. C., & Guido, S. (2018). Introduction to Machine Learning with Python: a guide for data scientists. " O'Reilly Media, Inc.".
dc.relationMuñoz, 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.relationNumPy. (2022). NumPy documentación . Obtenido de https://numpy.org/doc/stable/
dc.relationOliveira, A. J. (2019). Analysis of nematodes in coffee crops at different altitudes using aerial images. 27th European Signal Processing Conference (EUSIPCO), 1-5.
dc.relationParraga-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.relationPython Software Foundation. (26 de 12 de 2022). Historia y Licencia. Obtenido de Historia y Licencia: https://docs.python.org/es/3/license.html
dc.relationReddy, 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.relationRengifo, H. G. (202). Algunos aspectos biológicos de Cercospora coffeicola.
dc.relationRivillas, C. A. (2011). La roya del cafeto en Colombia: Impacto manejo y costos del control. Chinchiná: Cenicafe.
dc.relationRoman Gonzalez, A. (2012). Análisis de imágenes digitales. ECIPeru, 61-68.
dc.relationSánchez-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.relationTensorFlow. (1 de 12 de 2022). TensorFlow Lite. Obtenido de https://www.tensorflow.org/lite/guide
dc.relationTorres, J. (2020). Python deep learning: introducción práctica con Keras y TensorFlow 2. Marcombo.
dc.relationValencia, 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.relationVillegas, C. &. (2014). Identificación de cochinillas harinosas en las raíces de café en departamentos cafeteros de Colombia.
dc.relationVillegas, C. P. (2015). Aspectos del ciclo de vida de Puto barberi Cockerell Hemiptera: Putoidae.
dc.relationVillegas, C. Z. (2010). Identificación y hábitos de cochinillas harinosas asociadas a raíces del café en Quindío.
dc.relationVorobioff, 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.rightshttps://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rightshttp://purl.org/coar/access_right/c_abf2
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 International
dc.subjectAprendizaje de máquina
dc.subjectProcesamiento de imagen
dc.subjectIdentificación plagas
dc.subjectPython
dc.subjectRedes neuronales
dc.titleEntrenamiento de redes neuronales para la identificación de plagas en cultivos de café.
dc.typeinfo:eu-repo/semantics/bachelorThesis


Este ítem pertenece a la siguiente institución