Clasificación de enfermedades en hoja de uva, mediante algoritmos de visión por computadora / Daniel David Losada Tello, Jesús David García Núñez; Director José Fernando Barrera Campo; Asesor de Tesis José de Jesús Salgado Patrón , Vladimir Mosquera Cerquera
By: Losada Tello, Daniel David [autor]
.
Contributor(s): García Núñez, Jesús David [autor] | Barrera Campo, Jose Fernando [Director] | Salgado Patrón, José de Jesús [Asesor de tesis] | Mosquera Cerquera, Vladimir [Asesor de tesis].
Neiva: Universidad Surcolombiana, 2025Description: 1 CD-ROM (78 páginas); diagramas, fotografías, ilustraciones en general, tablas o cuadros; 12 cm.Content type: texto Media type: computadora Carrier type: disco de la computadoraSubject(s): Ingeniería Electrónica -- Agricultura de precisión | Enfermedades - Hoja de Uva -- Redes neuronalesDDC classification: Th IE 422 | Item type | Current location | Collection | Call number | Copy number | Status | Date due | Barcode | Item holds |
|---|---|---|---|---|---|---|---|---|
e-Tesis
|
Biblioteca Central | Tesis y Trabajos de Grado | Th IE 422 (Browse shelf) | Ej.1 | Available | 900000029378 | ||
|
e-Tesis
|
Biblioteca Central | Tesis y Trabajos de Grado | Th IE 422 (Browse shelf) | Ej.2 | Available | 900000029379 |
Tesis Ingeniero Electrónico Universidad Surcolombiana. Facultad de Ingeniería. Ingeniería Electrónica 2025
Resumen -- Introducción -- Planteamiento del problema -- Justificación -- Impacto social -- Objetivos --Metodología -- Marco teórico -- Redes Neuronales Profundas -- Desarrollo del sistema -- Conclusiones
"La presente investigación lleva a cabo la problemática de las enfermedades en cultivos de uva mediante el desarrollo de un sistema de clasificación foliar, utilizando algoritmos de visión por computadora y redes neuronales convolucionales. El objetivo principal fue diseñar y entrenar un modelo capaz de identificar y clasificar automáticamente tres enfermedades comunes en hojas de vid: Black Rot, Isariopsis y Black Measles, así como reconocer hojas sanas como una cuarta clase. Se construyó una base de datos compuesta por imágenes de dominio abierto y otras tomadas por nosotros en condiciones reales de campo en el sur del Huila, Colombia. El preprocesamiento se realizó mediante técnicas de aumento de datos, normalización y correcciones de iluminación, contrastes y saturación para mejorar la robustez del modelo y tener las menores pérdidas posibles. Para el entrenamiento, se emplearon dos arquitecturas de redes neuronales profundas, ligeras y avanzadas en clasificación: EfficientNetB0 y ResNet50, adaptadas mediante capas densas personalizadas y validadas con métricas de precisión y matriz de confusión, lo cual hace parte del postprocesamiento de las imágenes. Los resultados experimentales demostraron la efectividad de los modelos propuestos, destacando su capacidad para operar en condiciones variables de iluminación y calidad de imagen. Esta solución a través de la visión por computadora, por su eficiencia y precisión, representa una herramienta de apoyo significativa para agricultores en la toma de decisiones, contribuyendo a una agricultura más inteligente, sostenible y tecnificada."
There are no comments for this item.