Sistema de monitoreo de gallinas ponedoras en la avícola "El Triunfo" empleando redes neuronales profundas y visión por computadora / David Santiago Ortiz Ramos, Marcos Stevan Canchón Villamil; Director José Fernando Barrera Campo; Asesor de Tesis José de Jesús Salgado Patrón, Vladimir Mosquera Cerquera
By: Ortiz Ramos, David Santiago [autor]
.
Contributor(s): Canchón Villamil, Marcos Stevan [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 (81 páginas); ilustraciones en general, diagramas, fotografías, tablas o cuadros; 12 cm.Content type: texto Media type: computadora Carrier type: disco de la computadoraSubject(s): Ingeniería Electrónica -- Redes Neuronales Profundas | Avicultura -- Gallinas PonedorasDDC classification: Th IE 421 | 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 421 (Browse shelf) | Ej.1 | Available | 900000029376 | ||
|
e-Tesis
|
Biblioteca Central | Tesis y Trabajos de Grado | Th IE 421 (Browse shelf) | Ej.2 | Available | 900000029377 |
Tesis Ingeniero Electrónico Universidad Surcolombiana. Facultad de Ingeniería. Ingeniería Electrónica 2025
Introducción -- Marco teórico -- Estado del arte -- Desarrollo del sistema -- Resultados experimentales -- Conclusiones y trabajos futuros
"En la presente investigación se desarrolló un sistema automatizado para el monitoreo de gallinas ponedoras en la avícola “El Triunfo”, ubicada en Yaguará, Huila. El objetivo principal fue implementar una solución tecnológica basada en visión por computadora y redes neuronales profundas que permitiera el conteo eficiente de aves tipo Babcock Brown, así como el análisis de su comportamiento. Se construyó una base de datos a partir de imágenes capturadas en el galpón número uno, empleando técnicas de etiquetado manual y automatizado mediante las herramientas Roboflow y Grounding DINO. El modelo de detección se entrenó utilizando la arquitectura YOLOv11, alcanzando una precisión superior al 97 %. Para el seguimiento de trayectorias y la estimación de patrones de movimiento, se integró el algoritmo ByteTrack, con resultados confiables incluso en condiciones variables de iluminación y densidad poblacional. Los datos recopilados permiten mejorar la gestión del lote, reduciendo la intervención humana, los riesgos ergonómicos y el estrés de las aves. Este sistema representa un avance significativo en la automatización de procesos dentro del sector avícola, promoviendo prácticas sostenibles que favorecen tanto la productividad como el bienestar animal y laboral. La investigación se enmarca en la línea de visión por computadora y procesamiento de señales del programa de Ingeniería Electrónica de la Universidad Surcolombiana."
There are no comments for this item.