Tesis de Ingeniería de Sistemas

Permanent URI for this collection

https://hdl.handle.net/20.500.14414/901

Browse

Browsing Tesis de Ingeniería de Sistemas by Author "Aguirre Rodríguez, Elen Yanina"

Now showing 1 - 1 of 1
  • No Thumbnail Available
    Item
    Aprendizaje de máquina y procesamiento de imágenes para la detección de enfermedades de cultivo de arroz
    (Universidad Nacional de Trujillo, 2023) Aguirre Rodríguez, Elen Yanina; Santos Fernández, Juan Pedro
    El arroz es un alimento importante a nivel mundial. En Perú, cerca del 75% de los departamentos producen arroz. No obstante, es necesario controlar su producción pues corren el riesgo de infectarse con algunas enfermedades, lo que genera pérdidas, aumento de costos y demanda insatisfecha. Por lo tanto, un diagnóstico preventivo requiere de especialistas con mucha experiencia para mitigar las consecuencias. Así, el avance de la tecnología y su aplicación en la agricultura ha permitido desarrollar modelos eficientes para detectar y clasificar enfermedades utilizando tecnologías como el aprendizaje automático. En este sentido, el objetivo principal de este estudio fue aplicar técnicas de procesamiento de imágenes y aprendizaje automático para desarrollar un modelo predictivo para la identificación preventiva preventiva de enfermedades de cultivos de arroz. Se utilizaron un total de 1.538 imágenes de cinco tipos de enfermedades, las cuales se dividieron en 95% para el entrenamiento y prueba del modelo y 5% para la validación. Para el procesamiento de imágenes se utilizaron los métodos de segmentación, específicamente el método Otsu, el método de corrección gamma (gamma = 0;65), y los métodos de conversión de escala de grises de promedio, luminancia, luminancia relativa y los métodos de efecto de vecindad NECG y SNECG. La regresión logística, multilayer perceptron, máquina de vectores de soporte y random forest se utilizaron como técnicas de aprendizaje automático. Las clases no balanceadas fueron balanceadas con el método de sobremuestreo, se optimizaron los hiperparámetros de los modelos y se utilizó una validación cruzada de 5 veces. Los resultados mostraron que todos los modelos presentaron una precisión media por encima de 80 %, sin embargo el modelo con random forest presentó una mayor precisión de predicción superior al 88 %.