Please use this identifier to cite or link to this item: http://hdl.handle.net/11458/5750
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorValles Coral, Miguel Angeles_PE
dc.contributor.authorSangama Vela, Gabriela Abigailes_PE
dc.date.accessioned2024-09-05T17:06:09Z-
dc.date.available2024-09-05T17:06:09Z-
dc.date.issued2023-10-13-
dc.identifier.citationSangama Vela, G. A. (2023). Reconocimiento de patrones visuales para detección de enfermedades en plantaciones de arroz del sector Mishquiyacu - Morales. Tesis para optar el título de Ingeniero de Sistemas e Informática, Universidad Nacional de San Martín, Tarapoto, Perú.es_PE
dc.identifier.urihttp://hdl.handle.net/11458/5750-
dc.description.abstractLa detección temprana de enfermedades en las plantaciones de arroz es crucial para garantizar la salud de los cultivos y la productividad agrícola. En el presente trabajo, se propone un enfoque basado en un modelo de red convolucional y reconocimiento de patrones visuales para la detección automática de las enfermedades más frecuentes en las plantaciones de arroz. Se utilizó un conjunto de datos compuesto por 1874 imágenes de hojas de arroz, clasificadas en tres categorías: tizón del arroz (blast), manchón marron (brownspot) y saludable (healthy). Para el entrenamiento y evaluación del modelo se usó un conjunto de datos de acceso abierto en combinación con imágenes tomadas por un smartphone del sector Mishquiyacu, ubicado en el distrito de Morales. Se dividió el conjunto de datos en un 70% para entrenamiento, un 20% para validación y un 10% para prueba. Se empleó la arquitectura de red convolucional InceptionV3, conocida por su capacidad para extraer características relevantes de las imágenes, aplicando transferencia de aprendizaje para conectar dicho modelo preentrenado a una capa de clasificación de 3 categorías. Además, se aplicaron técnicas de preprocesamiento y aumento de datos para mejorar la generalización del modelo. Los resultados obtenidos mostraron una alta precisión en la detección de enfermedades en las plantaciones de arroz. El modelo alcanzó una exactitud del 96.79% en el conjunto de prueba, superior a los modelos de Alexnet y Resnet50. Este resultado fue posteriormente evaluado mediante métricas de evaluación: precisión, exactitud, F1, recall, Kappa de Cohen, y área bajo la curva ROC, demostrando así la eficacia del modelo para clasificar los datos provistos.es_PE
dc.description.abstractEarly detection of diseases in rice plantations is crucial to ensure crop health and agricultural productivity. In this study, an approach based on a convolutional neural network and visual pattern recognition is proposed for the automatic detection of the most common diseases in rice plantations. A dataset consisting of 1874 rice leaf images was used, classified into three categories: rice blast, brown spot, and healthy. For model training and evaluation, an open-access dataset was used in combination with images taken by a smartphone in the Mishquiyacu sector, located in the Morales district. The dataset was divided into 70% for training, 20% for validation, and 10% for testing. The InceptionV3 convolutional neural network architecture was employed, known for its ability to extract relevant features from images, applying transfer learning to connect the pretrained model to a classification layer with 3 categories. Additionally, data preprocessing and augmentation techniques were applied to improve the model's generalization. The results obtained showed high accuracy in disease detection in rice plantations. The model achieved an accuracy of 96.79% on the test set, surpassing the AlexNet and ResNet50 models. This result was further evaluated using evaluation metrics such as precision, accuracy, F1 score, recall, Cohen's kappa, and area under the ROC curve, demonstrating the effectiveness of the model in classifying the provided data.es_PE
dc.formatapplication/pdfes_PE
dc.language.isospaes_PE
dc.publisherUniversidad Nacional de San Martín. Fondo Editoriales_PE
dc.rightsinfo:eu-repo/semantics/openAccesses_PE
dc.rights.urihttps://creativecommons.org/licenses/by/4.0/deed.eses_PE
dc.subjectAprendizaje profundoes_PE
dc.subjectPlantaciones de arrozes_PE
dc.subjectRed convolucionales_PE
dc.titleReconocimiento de patrones visuales para detección de enfermedades en plantaciones de arroz del sector Mishquiyacu - Moraleses_PE
dc.typeinfo:eu-repo/semantics/bachelorThesises_PE
thesis.degree.disciplineIngeniería de Sistemas e Informáticaes_PE
thesis.degree.grantorUniversidad Nacional de San Martín. Facultad de Ingeniería de Sistemas e Informáticaes_PE
thesis.degree.nameIngeniero de Sistemas e Informáticaes_PE
dc.type.versioninfo:eu-repo/semantics/publishedVersiones_PE
dc.publisher.countryPEes_PE
dc.subject.ocdehttps://purl.org/pe-repo/ocde/ford#2.02.04es_PE
renati.author.dni70170157-
renati.advisor.orcidhttps://orcid.org/0000-0002-8806-2892es_PE
renati.advisor.dni40810431-
renati.typehttps://purl.org/pe-repo/renati/type#tesises_PE
renati.levelhttps://purl.org/pe-repo/renati/nivel#tituloProfesionales_PE
renati.discipline612156es_PE
renati.jurorHernandez Torres, Edwin Augustoes_PE
renati.jurorSanta Maria Pinedo, John Clarkes_PE
renati.jurorRios Lopez, Carlos Armandoes_PE
item.openairecristypehttp://purl.org/coar/resource_type/c_18cf-
item.cerifentitytypePublications-
item.fulltextWith Fulltext-
item.grantfulltextopen-
item.languageiso639-1es-
item.openairetypeinfo:eu-repo/semantics/bachelorThesis-
Appears in Collections:(Br.) Ingeniería de Sistemas e Informática
Show simple item record

Google ScholarTM

Check


This item is licensed under a Creative Commons License Creative Commons