| dc.contributor | Gaytán Toledo, Carlos Alberto | |
| dc.creator | Cipra Salinas, Edder Pier | |
| dc.creator | Rodríguez Alva, Carlos Jhampiere | |
| dc.creator | Cipra Salinas, Edder Pier | |
| dc.date | 2023-12-12T14:33:26Z | |
| dc.date | 2023-12-12T14:33:26Z | |
| dc.date | 2023-12-12T14:33:26Z | |
| dc.date | 2023-12-12T14:33:26Z | |
| dc.date | 2023 | |
| dc.date.accessioned | 2024-05-15T20:55:21Z | |
| dc.date.available | 2024-05-15T20:55:21Z | |
| dc.identifier | https://hdl.handle.net/20.500.12759/14671 | |
| dc.identifier.uri | https://repositorioslatinoamericanos.uchile.cl/handle/2250/9441525 | |
| dc.description | Los agricultores en el Distrito de Cascas no cuentan con un procedimiento que
les ayude a prevenir o a detectar a tiempo el tipo de plaga o enfermedad que
ataca sus cultivos de maíz.
La presente tesis tiene como objetivo principal, entrenar y evaluar 4 modelos con
redes neuronales como ResNet50. EfficientNetVB0, MobileNetV2 y
DenseNet201. Para ello se recopilaron un conjunto de imágenes, las que se
clasificaron en; imágenes de Tizón de la Hoja de Maíz (Blight), Roya Común
(Common Rust), Gusano (Armyworm), y plantas con Hojas sanas (Healthy).
Luego se procedió agruparlos una vez más como imágenes de entrenamiento,
validación y prueba. Para el desarrollo se aplicaron técnicas de aumentación,
filtros, funciones. Con el objetivo de mejorar el aprendizaje de los modelos de
redes neuronales. Luego se procede a medir que tan precisos son los modelos.
Se realiza pruebas con hojas de Maíz con Gusano, Roya Común, Tizón de la
Hoja de Maíz y sanas. Donde se obtuvo como resultado que el mejor modelo en
términos de rendimiento es el DenseNet201. En el caso de la Plaga Gusano
tiene una precisión de 0.97 que pertenece a esa categoría. Para Roya Común
con 0.95 de precisión. Tizón de la Hoja al 0.98 de precisión. Saludable 0.73 de
precisión. Recalcando que son imágenes desconocidas para los modelos.
Para comprobar la certeza de los modelos se utilizó la matriz de confusión que
mide que tan acertados son sus predicciones de cada modelo. Dando a
MobileNetV2 como el modelo que tiene un mejor acierto con respecto a los
demás modelos con un 99% de certeza. Mientras el entrenamiento tenga un
gran número de imágenes, filtros, técnicas y funciones adecuadas. Un modelo
puede llegar a dar resultados que ayuden a tomar mejores decisiones por sus
niveles de precisión que pueden llegar a obtener. | |
| dc.description | Farmers in the Cascas District do not have a procedure to help them prevent or
detect in time the type of pest or disease that attacks their corn crops.
The main objective of this thesis is to train and evaluate 4 models with neural
networks such as ResNet50. EfficientNetVB0, MobileNetV2 and DenseNet201. For
this purpose, a set of images were collected and classified into; images of Corn
Leaf Blight (Blight), Common Rust (Common Rust), Armyworm (Armyworm), and
plants with Healthy Leaves (Healthy).
They were then grouped once again as training, validation and test images. For the
development, augmentation techniques, filters and functions were applied. In order
to improve the learning of neural network models. Then we proceed to measure
how accurate the models are.
Tests were carried out on corn leaves with worm, common rust, corn leaf blight and
healthy leaves. The result was that the best model in terms of performance is
DenseNet201. In the case of Pest Worm it has an accuracy of 0.97 which belongs
to that category. For Common Rust with 0.95 accuracy. Leaf Blight at 0.98
accuracy. Healthy 0.73 accuracy. Emphasizing that these are unknown images for
the models.
To test the accuracy of the models we used the confusion matrix which measures
how accurate their predictions are for each model. Giving MobileNetV2 as the
model that has a better accuracy with respect to the other models with 99%
certainty. As long as the training has a large number of images, filters, techniques
and adequate functions. A model can give results that help to make better decisions
because of the levels of accuracy that can be obtained. | |
| dc.description | Tesis | |
| dc.format | application/pdf | |
| dc.language | spa | |
| dc.publisher | Universidad Privada Antenor Orrego | |
| dc.publisher | PE | |
| dc.relation | T_SIST_1525 | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.rights | https://creativecommons.org/licenses/by/4.0/ | |
| dc.source | Repositorio Institucional UPAO | |
| dc.source | Universidad Privada Antenor Orrego | |
| dc.subject | Convolución | |
| dc.subject | Sobre Ajuste | |
| dc.subject | http://purl.org/pe-repo/ocde/ford#2.02.04 | |
| dc.title | Detección de Plagas y Enfermedades en los Cultivos de Maíz Utilizando Procesamiento de Imágenes con Redes Neuronales, en el Distrito de Cascas La Libertad, Año 2022 | |
| dc.type | info:eu-repo/semantics/bachelorThesis | |
