Mostrar el registro sencillo del ítem

dc.rights.licenseabiertoes_ES
dc.contributor.advisorNuñez Rodriguez, Rafael Augusto
dc.contributor.authorGrandas Garzón, Johan Gerardo
dc.contributor.authorMurcia Cavanzo, Deiver Fabián
dc.contributor.otherMarin Alfonso, Jeison
dc.date.accessioned2022-04-08T14:03:09Z
dc.date.available2022-04-08T14:03:09Z
dc.identifier.citationN/Aes_ES
dc.identifier.urihttp://repositorio.uts.edu.co:8080/xmlui/handle/123456789/8915
dc.description.abstractSe desarrolló una aplicación móvil Deep Learning la cual permite determinar un alto o bajo grado de afectación por deficiencia de potasio (K) en imágenes de la planta de papa criolla, para lo cual se creó un banco de imágenes con altos y bajos niveles de potasio (K) en las hojas de papa criolla en diferentes etapas de crecimiento y desarrollo, estas se filtraron y separaron en hojas sanas y hojas afectadas por deficiencia de potasio (K); seguido se elaboró el algoritmo Deep Learning que identifica si la imagen de la planta de papa criolla presenta un alto o bajo nivel de potasio (K) y de tal manera se entrenó con el banco de imágenes adquirido, esto permitió el desarrollo de la aplicación en un dispositivo móvil que al obtener una fotografía de una hoja de una planta de papa criolla utilice los resultados de entrenamiento de la red neuronal para determinar si la planta de papa criolla presenta un alto o bajo nivel de potasio (K); el sistema se validó probando la eficacia de la aplicación (app) con varias fotografías de hojas de la planta de determinados cultivos de papa criolla realizándose una comparación con la evaluación empírica de un experto agrónomo. Por último, se formula un manual de la aplicación mediante las normas ISO de producción industrial alimenticia para desarrollar una operación correcta en la determinación del nivel afectación por deficiencia de potasio (K) presentes en las plantas de papa criolla.es_ES
dc.description.sponsorshipN/Aes_ES
dc.description.tableofcontentsRESUMEN EJECUTIVO .................................................................................................. 10 INTRODUCCIÓN ............................................................................................................. 11 1. DESCRIPCIÓN DEL TRABAJO DE INVESTIGACIÓN ........................................ 12 1.1. PLANTEAMIENTO DEL PROBLEMA .................................................................. 12 1.2. JUSTIFICACIÓN ................................................................................................... 15 1.3. OBJETIVOS ......................................................................................................... 17 1.3.1. OBJETIVO GENERAL ....................................................................................... 17 1.3.2. OBJETIVOS ESPECÍFICOS .............................................................................. 17 1.4. ESTADO DEL ARTE ............................................................................................ 17 1.4.1. PANORAMA INTERNACIONAL: .................................................................................... 17 1.4.2. PANORAMA NACIONAL: ............................................................................................. 18 2. MARCO REFERENCIAL. ..................................................................................... 21 2.1. IMPORTANCIA DE LA INTELIGENCIA ARTIFICIAL EN LA ACTUALIDAD ............................ 21 2.2. REDES NEURONALES ARTIFICIALES (RNA) ............................................................... 21 2.3. DEEP LEARNING ..................................................................................................... 22 2.4. ABSORCIÓN DIARIA DE MACRONUTRIENTES EN LA PAPA, TODA LA PLANTA. ................ 22 2.5. COMANDO DROPOUT EN GOOGLE COLAB ................................................................ 23 3. DISEÑO DE LA INVESTIGACIÓN ........................................................................ 24 3.1. BANCO DE IMÁGENES. ............................................................................................. 24 3.2. DISEÑO DE LA RED NEURONAL. ................................................................................ 26 3.2.1. ENTRENAMIENTO DE LA RED NEURONAL. ............................................................... 26 3.3. DISEÑO DE LA APLICACIÓN MÓVIL. .......................................................................... 27 3.3.1. IMPLEMENTACIÓN DE LA APLICACIÓN WEB. ............................................................ 27 3.3.2. IMPLEMENTACIÓN DE LA APK EN EL SISTEMA OPERATIVO ANDROID. ....................... 28 3.4. VALIDACIÓN DEL SISTEMA. ...................................................................................... 29 3.4.1. VALIDACIÓN DEL ENTRENAMIENTO DE LA RED NEURONAL. ...................................... 29 3.4.2. VALIDACIÓN DE ENTRENAMIENTO DE CRIOLLAK. .................................................... 30 4. DESARROLLO DEL TRABAJO DE GRADO ....................................................... 31 4.1. ADQUISICIÓN DEL BANCO DE IMÁGENES Y VISITA TÉCNICA AL TERRENO DE CULTIVOS DE PAPA CRIOLLA. ................................................................................................................. 34 4.2. CAPAS DE LA RED NEURONAL VGG16 QUE SE IMPLEMENTÓ PARA GENERAR EL MODELO DE PREDICCIÓN DE LA DEFICIENCIA DE POTASIO(K) EN LAS HOJAS DE LA PAPA CRIOLLA. ..... 34 4.3. GENERACIÓN DE LOS ARCHIVOS DE SALIDA PARA LA PREDICCIÓN DEL MODELO. ........ 38 4.4. DESARROLLO E IMPLEMENTACIÓN DE LA APLICACIÓN CON JAVASCRIPT Y HTML CRIOLLAK.APK .................................................................................................................. 39 4.5. APLICACIÓN SUBIDA EN SERVIDOR WEB DE REPOSITORIO DE GITHUB CON LOS RESULTADOS DE LAS PREDICCIONES SOBRE LA DEFICIENCIA DE POTASIO. ........................... 42 4.6. CONVERSIÓN DE LA PÁGINA WEB A CRIOLLAK.APK .................................................. 42 5. RESULTADOS ..................................................................................................... 44 5.1. GRAFICAS DE ENTRENAMIENTO EN LA RED NEURONAL. ............................................ 44 5.1.1. GRAFICA DE PÉRDIDAS DE LA RED NEURONAL. ....................................................... 44 LA SIGUIENTE IMAGEN REPRESENTA LAS PÉRDIDAS DEL SISTEMA CON 2000 IMÁGENES DE ENTRENAMIENTO CONFORME AVANZAN LOS EPOCH. ............................................................ 44 5.1.2. GRAFICA DE PRECISIÓN DE LA RED NEURONAL. ..................................................... 45 5.1.3. PREDICCIONES DEL MODELOPAPAK5EPOCAS_2000IMA.H5 ................................... 45 5.2. RESULTADOS AL EJECUTAR EL SISTEMA EN EL SERVIDOR WEB.................................. 46 5.3. RESULTADOS EN LA APLICACIÓN EN EL SISTEMA OPERATIVO ANDROID. ..................... 47 6. ANÁLISIS DE RESULTADOS. ............................................................................. 49 6.1. ANÁLISIS DE GRAFICAS DE ENTRENAMIENTO DE LA RED NEURONAL. .......................... 49 6.2. ANÁLISIS GENERAL DE LA APLICACIÓN WEB Y EN EL SISTEMA OPERATIVO ANDROID LLAMADA CRIOLLAK. ........................................................................................................ 49 6.3. MÉTRICAS PARA LA EVALUACIÓN DE ‘’CRIOLLAK’’ ................................................... 50 6.3.1. MATRIZ DE CONFUSIÓN DE LA RED NEURONAL. ...................................................... 50 6.3.2. ESPECIFICIDAD O TNR (TASA NEGATIVA REAL). ..................................................... 51 6.3.3. RECALL, SENSIBILIDAD O TPR (TASA DE TRUE POSITIVE) ...................................... 52 6.3.4. PRECISIÓN. ......................................................................................................... 53 6.3.5. F1-SCORE. ......................................................................................................... 54 7. CONCLUSIONES. ................................................................................................ 55 8. RECOMENDACIONES ......................................................................................... 56 9. REFERENCIAS BIBLIOGRÁFICAS ..................................................................... 57 10. APENDICES ......................................................................................................... 60 11. ANEXOS ............................................................................................................... 61 11.1. CUADERNO DE GOOGLE COLAB DEL ENTRENAMIENTO COMPARTIDO POR ENLACE DE GOOGLE DRIVE. ................................................................................................................ 61 11.2. PÁGINA DEL SERVIDOR WEB EN GITHUB DONDE SE ENCUENTRA LA APLICACIÓN QUE DETECTA LA PRESENCIA O AUSENCIA DEFICIENCIA DE POTASIO EN LA PAPA CRIOLLA. .......... 61es_ES
dc.language.isoeses_ES
dc.publisherUnidades Tecnológicas de Santanderes_ES
dc.subjectPotasio (K), Deep Learning, Red Neuronal, Afectación.es_ES
dc.titleDetección de déficit de potasio (K) en imágenes de cultivos de papa criolla, con algoritmos de Deep Learning, en una aplicación móviles_ES
dc.typedegree workes_ES
dc.rights.holdercopyright(CC.BY.NC.ND 2.5).es_ES
dc.date.emitido2022-04
dc.dependenciafcnies_ES
dc.proceso.procesoutsdocenciaes_ES
dc.type.modalidaddesarrollo_tecnológicoes_ES
dc.format.formatopdfes_ES
dc.titulogIngeniero Electronicoes_ES
dc.educationlevelProfesionales_ES
dc.contibutor.evaluatorevaluadores_ES
dc.date.aprobacion2022-04-06
dc.description.programaacademicoIngenieria Electronicaes_ES
dc.dependencia.regionbucaramangaes_ES


Ficheros en el ítem

Thumbnail
Thumbnail

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem