Aprendizaje de máquina y procesamiento de imágenes para la detección de enfermedades de cultivo de arroz

dc.contributor.advisorSantos Fernández, Juan Pedro
dc.contributor.authorAguirre Rodríguez, Elen Yanina
dc.date.accessioned2023-11-27T13:42:36Z
dc.date.available2023-11-27T13:42:36Z
dc.date.issued2023
dc.description.abstractEl 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 %.
dc.formatapplication/pdf
dc.identifier.urihttps://hdl.handle.net/20.500.14414/19824
dc.language.isoes
dc.publisherUniversidad Nacional de Trujillo
dc.publisher.countryPE
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subjectProcesamiento de imágenes
dc.subject.ocdehttps://purl.org/pe-repo/ocde/ford#2.02.04
dc.titleAprendizaje de máquina y procesamiento de imágenes para la detección de enfermedades de cultivo de arroz
dc.typeinfo:eu-repo/semantics/bachelorThesis
dc.type.versioninfo:eu-repo/semantics/publishedVersion
renati.advisor.dni17896289
renati.advisor.orcid0000-0002-8882-9256
renati.author.dni70230268
renati.discipline612276
renati.jurorObando Roldán, Juan Carlos
renati.jurorMendoza de los Santos, Alberto
renati.jurorSantos Fernández, Juan Pedro
renati.levelhttp://purl.org/pe-repo/renati/level#tituloProfesional
renati.typehttp://purl.org/pe-repo/renati/type#tesis
thesis.degree.disciplineIngenieria de Sistemas
thesis.degree.grantorUniversidad Nacional de Trujillo, Facultad de Ingenieria
thesis.degree.nameIngeniero de Sistemas
Files
Original bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
Aguirre Rodriguez.pdf
Size:
3.37 MB
Format:
Adobe Portable Document Format
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed upon to submission
Description: