Por favor, use este identificador para citar o enlazar este ítem: http://repositorio.utc.edu.ec/handle/27000/6698
Tipo de Material: bachelorThesis
Título : Aplicación móvil para clasificación automática de malas hierbas en imágenes usando aprendizaje profundo.
Autor : Casa Lema, Mercedes Azucena
Tumbaco Sango, Jenny Celia
Director de Tesis: Cantuña Flores, Karla Susana, Mtr.
Descriptores: Informática
Aprendizaje profundo
Fecha de publicación : feb-2020
Ciudad: Editorial: Ecuador: Latacunga: Universidad Técnica de Cotopaxi; Facultad de Ciencias de la Ingeniería y A plicadas.
Citación : Casa Lema. M.A. (2020) Aplicación móvil para clasificación automática de malas hierbas en imágenes usando aprendizaje profundo. U.T.C. Latacunga. 69 p.
metadata.dc.format.extent: 69 páginas
Resumen : Las malas hierbas en el campo, son consideradas como un gran problema para los cultivos, causan efectos negativos que rivalizan con las plantas de maíz en su desarrollo quitándoles todos los elementos nutrientes, donde el agricultor utiliza cualquier herbicida para eliminar estas malas hierbas aplicando en todo el cultivo. Por tal razón, se considera importante que este problema se tratado. Una de las soluciones para atenuar esta problemática podría ser mediante el uso de técnicas de aprendizaje profundo que permita obtener una aplicación móvil con información para minimizar o eliminar las malas hierbas en el cultivo de maíz en base al herbicida correcto. La revisión de la literatura permitió determinar estudios similares para la clasificación de malas hierbas en el cultivo a través técnicas empleadas para clasificar de forma automática. Sin embargo, las técnicas propuestas por los investigadores tienen limitados el uso de técnicas de aprendizaje automático. Por consiguiente, se propone un modelo clasificador basado en técnicas de aprendizaje profundo para la clasificación de las malas hierbas en imágenes. Como resultado se obtiene una aplicación móvil desarrollada bajo tecnología de última generación desarrollada para beneficio de los agricultores, Herbario institucional, estudiantes y profesores de áreas relacionadas en la Universidad Técnica de Cotopaxi. La metodología utilizada para el desarrollo del proyecto de investigación fueron las Redes Neuronales Convolucionales, empleando la metodología CRISP-DM que corresponde a la descripción de las fases. Además, se utilizará el lenguaje de programación Android Studio y la plataforma Custum Vision permitiendo emplear algoritmos de aprendizaje, con la biblioteca Tensorflow de código abierto capaz de construir redes neuronales, utilizada para la detección de objetos personas, animales, plantas y lugares. El modelo generado fue evaluado logrando una precisión de 97.8%, un recall de 97.3% y un A.P de 97.8%, permitiendo obtener resultados óptimos en la clasificación de malas hierbas de forma automática.
Descripción : Weeds in the field, are considered a major problem for crops, cause negative effects that rival the corn plants in their development by removing all the nutrient elements, where the farmer uses any herbicide to eliminate these weeds by applying in all The crop For this reason, it is considered important that this problem be treated. One of the solutions to mitigate this problem could be through the use of deep learning techniques that allow obtaining a mobile application with information to minimize or eliminate weeds in the corn crop based on the correct herbicide. The literature review allowed to determine similar studies for the classification of weeds in the crop through techniques used to classify automatically. However, the techniques proposed by the researchers have limited use of machine learning techniques. Therefore, a classification model based on deep learning techniques for the classification of weeds in images is proposed. As a result, a mobile application developed under the latest technology developed for the benefit of farmers, institutional herbarium, students and professors of related areas at the Technical University of Cotopaxi is obtained. The methodology used for the development of the research project was the Convolutionary Neural Networks, using the CRISP-DM methodology that corresponds to the description of the phases. In addition, the Android Studio programming language and the Custum Vision platform will be used allowing learning algorithms to be used, with the Tensorflow open source library capable of building neural networks, used for the detection of people, animals, plants and places. The generated model was evaluated achieving an accuracy of 97.8%, a recall of 97.3% and an A.P of 97.8%, allowing optimum results in the classification of weeds automatically.
Aparece en las colecciones: Tesis - Ingeniería en Sistemas

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
T-001477.pdfPROYECTO DE GRADO A TEXTO COMPLETO3,74 MBAdobe PDFVisualizar/Abrir


Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons