000			nam a22 7a 4500
999			_c50303 _d50303
005			20260209070643.0
008			251107e2025 ck |||fsm||| 00| 0 spa d
040			_aCO-NeUS _bspa _erda
041			_aspa
100	1		_9161410 _aLosada Tello, Daniel David _eaut
245	1	0	_aClasificación de enfermedades en hoja de uva, mediante algoritmos de visión por computadora / _cDaniel David Losada Tello, Jesús David García Núñez; Director José Fernando Barrera Campo; Asesor de Tesis José de Jesús Salgado Patrón , Vladimir Mosquera Cerquera
256			_aDatos electrónicos (1 archivos:2742 MG)
264	1		_aNeiva: _bUniversidad Surcolombiana, _c2025
300			_a1 CD-ROM (78 páginas); _bdiagramas, fotografías, ilustraciones en general, tablas o cuadros; _c12 cm
336			_2rdacontent _atxt _btxt
337			_2rdamedia _ac
338			_2rdacarrier _acd _bcd
347			_2rda _atexto _bpdf
502			_aTesis _bIngeniero Electrónico _cUniversidad Surcolombiana. Facultad de Ingeniería. Ingeniería Electrónica _d2025
505			_aResumen -- Introducción -- Planteamiento del problema -- Justificación -- Impacto social -- Objetivos --Metodología -- Marco teórico -- Redes Neuronales Profundas -- Desarrollo del sistema -- Conclusiones
520			_a"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."
700	1		_9161411 _aGarcía Núñez, Jesús David _eaut
700	1		_9159395 _aBarrera Campo, Jose Fernando _edrt
700	1		_981748 _aSalgado Patrón, José de Jesús, _eths
700	1		_968938 _aMosquera Cerquera, Vladimir, _eths
082	0	4	_221 _aTh IE 422
650		0	_9161415 _aIngeniería Electrónica _xAgricultura de precisión
650		0	_9161416 _aEnfermedades - Hoja de Uva _xRedes neuronales
942			_2Local _cCD _hTh IE 422 _kTh