Mostrar el registro sencillo del ítem

Diagnóstico del hongo FoCR4T en plantas musáceas mediante una red neuronal convolucional

dc.contributor.advisorÁvila Buitrago, Gabriel Eduardospa
dc.contributor.authorCifuentes Galvis, Yeimy Andreaspa
dc.coverage.spatialBogotá D.C.spa
dc.coverage.temporal01/08/2021 a 22/12/2021
dc.date.accessioned2025-02-07T12:53:49Z
dc.date.available2025-02-07T12:53:49Z
dc.date.issued2022-01-17
dc.identifier.urihttp://hdl.handle.net/10823/7528
dc.description.abstractEl presente Proyecto de grado tiene como objetivo abordar los conceptos relacionados con las redes neuronales y su uso práctico aplicado al procesamiento y análisis de imágenes en el proceso de diagnóstico de la infección por la Raza 4 Tropical de Fusarium Oxysporum (Foc R4T) en plantas musáceas (bananos y plátanos). Pretende también comprobar cómo la tecnología y el saber pueden crear herramientas que contribuyen al desarrollo de la agricultura en un país como Colombia e indirectamente propender por la seguridad alimentaria.spa
dc.description.tableofcontentsAGRADECIMIENTOS ... 3 RESUMEN ... 4 ABSTRACT ... 5 Tabla de Ilustraciones ... 8 Listado de Tablas ... 10 INTRODUCCIÓN ... 11 OBJETIVOS ... 13 General ... 13 Específicos ... 13 CAPÍTULO I: Descripción del Proyecto ... 14 1.1. PLANTEAMIENTO DEL PROBLEMA ... 14 1.1. JUSTIFICACIÓN ... 16 1.2. ALCANCE DEL PROYECTO ... 18 1.3. ESTADO DEL ARTE ... 19 CAPÍTULO II: Marco Teórico ... 21 2. MARCO TEÓRICO... 21 2.1. La columna vertebral del proyecto: Las redes Neuronales ... 21 2.2. Arquitectura de las redes neuronales ... 23 i. La unidad básica de las redes neuronales artificiales: El Perceptrón simple ... 23 i. El Perceptrón multicapa o las Redes neuronales FeedFordward ... 24 ii. Redes Neuronales Profundas ... 25 iii. Redes Neuronales Convolucionales ... 25 Componentes de la red neuronal convolucional ... 26 2.3. Conceptos asociados a las Redes Neuronales ... 27 i. Capa de Entrada ... 27 ii. Época (Epoch) ... 27 iii. Batch size ... 27 iv. Funciones de Activación ... 28 v. Función de Pérdida ... 28 vi. Herramientas para el manejo de redes neuronales y Deep Learning ... 28 CAPÍTULO III: DISEÑO METODOLÓGICO ... 29 3. ESTRATEGIA METODOLÓGICA ... 29 3.1. Fase 1 ... 29 DIAGNÓSTICO DE FocR4T MEDIANTE UNA RNC 7 3.2. Fase 2 ... 30 3.3. Fase 3 ... 30 3.4. Fase 4 ... 31 CAPÍTULO IV: DESARROLLO DEL PROYECTO ... 31 4. Antecedentes ... 31 4.1. Revisión de literatura y búsqueda de información ... 37 Etapa 1: Construcción de la pregunta de investigación ... 38 Etapa 2: Búsqueda de información y evidencia ... 39 Etapa 3: Aplicación de criterios de exclusión ... 39 4.4. Visitas de campo ... 43 Tena, Cundinamarca ... 43 La Mesa, Cundinamarca ... 45 Guamo, Tolima ... 48 4.5. Captura de imágenes y creación de un dataset ... 50 4.6. Criterios de preprocesamiento de las imágenes ... 52 4.7. Diseño de la red neuronal convolucional... 53 4.7.1. Requerimientos de alto nivel ... 53 4.7.2. Herramientas y Librerías Existentes ... 53 4.8. Definición de Casos de Uso ... 55 4.9. Implementación o desarrollo de la red neuronal convolucional ... 56 4.9.1. Preprocesamiento de las imágenes ... 56 4.9.2. Arquitectura implementada ... 59 4.9.3. Especificaciones del Dataset ... 60 4.9.4. Proceso de Entrenamiento de la red neuronal ... 60 4.9.5. Matriz de Confusión ... 60 4.9.6. Función de pérdida ... 62 4.9.7. Accuracy o Exactitud del modelo ... 63 CAPÍTULO V: RESULTADOS OBTENIDOS ... 64 5. Resultados ... 64 5.1. Entregables ... 64 CAPÍTULO VI: CONCLUSIONES ... 65 6. Conclusiones ... 65 CAPÍTULO VII: TRABAJO FUTURO ... 69 7. Trabajo Futuro ... 69 Referencias y Bibliografía ... 71spa
dc.format.mimetypeapplication/pdfspa
dc.language.isospaspa
dc.titleDiagnóstico del hongo FoCR4T en plantas musáceas mediante una red neuronal convolucionalspa
dc.typebachelorThesisspa
dc.type.localTesis/Trabajo de grado - Monografía - Pregradospa
dc.type.driverinfo:eu-repo/semantics/bachelorThesisspa
dc.title.translatedDiagnosis of the FoCR4T fungus in musaceae plants through a convolutional neural networkspa
dc.subject.proposalAprendizaje de máquinaspa
dc.subject.proposalHoja de bananospa
dc.subject.proposalHongosspa
dc.subject.proposalInteligencia artificialspa
dc.subject.proposalProcesamiento de imágenesspa
dc.subject.proposalPythonspa
dc.subject.proposalRedes neuronalesspa
dc.subject.lembAlgoritmos de aprendizajespa
dc.subject.lembInteligencia emocional - agriculturaspa
dc.subject.lembRedes neuronales - diagnósticospa
dc.description.abstractenglishThe present degree project aims to address the concepts related with neural networks and their practical use applied to image processing and analysis as a useful tool in the diagnosis of infection by Fusarium Oxysporum tropical race 4 (Foc TR4) in musaceous plants (bananas and plantains). It also aims to prove how technology and knowledge can create tools that contribute to the development of agriculture in a country like Colombia and indirectly contribute to food security.spa
dc.subject.keywordsPythonspa
dc.subject.keywordsArtificial intelligencespa
dc.subject.keywordsBanana leafspa
dc.subject.keywordsFungusspa
dc.subject.keywordsImage processingspa
dc.subject.keywordsMachine learningspa
dc.subject.keywordsNeural networksspa
dc.relation.referencesA Athiraja, P. V. (2021). Banana disease diagnosis using computer vision and machine learning methods. Journal of Ambient Intelligence and Humanized Computing, 6537-6556.spa
dc.relation.referencesAmara, J., Bouaziz, B., & Algergawy, A. (2017). A Deep Learning-based Approach for Banana Leaf Diseases. Obtenido de Datenbanksysteme für Business, Technologie und Web (BTW 2017)-Workshopband.: http://btw2017.informatik.uni-stuttgart.de/slidesandpapers/E1-10/paper_web.pdfspa
dc.relation.referencesBendersky, M., & Wang, X. (17 de July de 2021). Google AI Blog. Obtenido de Advances in TF-Ranking: https://ai.googleblog.com/search/label/TensorFlowspa
dc.relation.referencesCarneiro, T., Medeiros Da NóBrega, R., Nepomuceno, T., Bian, G.-B., De Albuquerque, V., & Filho, P. (08 de October de 2018). Performance Analysis of Google Colaboratory as a Tool for Accelerating Deep Learning Applications. Obtenido de IEEE Xplore: https://ieeexplore.ieee.org/document/8485684/spa
dc.relation.referencesFAO. (s.f.). FAO. Obtenido de https://www.fao.org/3/au910s/au910s.pdfspa
dc.relation.referencesHaykin, S. (1994). Neural Networks, a comprehensive foundation.spa
dc.relation.referencesInfaimon. (29 de Enero de 2020). Historia de la visión artificial. Obtenido de Infaimon: https://blog.infaimon.com/historia-vision-artificial/spa
dc.relation.referencesKrause, J., Sugita, G., Baek, K., & Lim, L. (June de 2018). WTPlant (What's That Plant?): A Deep Learning System for Identifying Plants in Natural Images. Obtenido de ACM Digital Library: https://dl-acm-org.loginbiblio.poligran.edu.co/doi/10.1145/3206025.3206089spa
dc.relation.referencesLiu, L., Li, J., & Sun, Y. (October de 2019). Research on the Plant Leaf Disease Region Extraction. Obtenido de ACm Digital Library: https://dl-acm-org.loginbiblio.poligran.edu.co/doi/10.1145/3369318.3369321spa
dc.relation.referencesN. Saranya, L. P. (2020). Detection of Banana Leaf and Fruit Diseases Using Neural Networks. 2020 Second International Conference on Inventive Research in Computing Applications (ICIRCA). Combatore, India: IEEE. Obtenido de IEEExplore.spa
dc.relation.referencesSenasica. (Agosto de 2019). Guía de Síntomas y daños de la fusariosis de las musáceas. Obtenido de SENASICA: https://prod.senasica.gob.mx/SIRVEF/ContenidoPublico/Guias%20de%20sintomas/Fusariosis%20de%20las%20mus%C3%A1ceas%20(Fusarium%20oxysporum%20f.%20sp.%20cubense%20R4T).pdfspa
dc.relation.referencesSimplilearn. (27 de May de 2021). An overview on multilayer Perceptron (MLP). Obtenido de Simplilearn: https://www.simplilearn.com/tutorials/deep-learning-tutorial/multilayer-perceptronspa
dc.relation.referencesSoto, S. A. (15 de Feb de 2021). Sector Agro fue la actividad económica que más creció en 2020, con variación de 2,8%. Obtenido de Agronegocios: https://www.agronegocios.co/agricultura/sector-agro-fue-la-actividad-economica-que-mas-crecio-en-2020-con-variacion-de-28-3125707spa
dc.publisher.programIngeniería de Sistemasspa
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1fspa
dc.publisher.facultyFacultad de ingeniería y Diseño e Innovaciónspa
dc.identifier.instnameinstname:Politécnico Grancolombianospa
dc.identifier.reponamereponame:Alejandría Repositorio Comunidadspa
dc.type.hasversioninfo:eu-repo/semantics/acceptedVersion
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.identifier.repourlrepourl:http://alejandria.poligran.edu.cospa
dc.type.redcolhttps://purl.org/redcol/resource_type/TP
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 2.5 Colombiaspa
dc.type.versioninfo:eu-repo/semantics/draftspa


Ficheros en el ítem

Thumbnail
Nombre:
DIAGNÓSTICO DE FoCR4T EN PLANTAS ...
Tamaño:
2.052Mb
Formato:
PDF
Descripción:
Documento de trabajo de grado
Ver/

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem