|
Please use this identifier to cite or link to this item:
https://repositorio.utn.edu.ec/handle/123456789/16369
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor.advisor | Garcia Santillan, Ivan Danilo | - |
dc.contributor.author | Lanchimba Ashqui, Alex Israel | - |
dc.date.accessioned | 2024-08-13T15:30:49Z | - |
dc.date.available | 2024-08-13T15:30:49Z | - |
dc.date.created | 2024-07-31 | - |
dc.date.issued | 2024-08-13 | - |
dc.identifier.other | 04/SOF/ 064 | es_EC |
dc.identifier.uri | https://repositorio.utn.edu.ec/handle/123456789/16369 | - |
dc.description.abstract | La identificación de malezas en la agricultura de precisión ha hecho uso de los avances tecnológicos. La capacidad de identificar malezas se considera crucial, aporta significativamente a los agricultores que se dedican a realizar controles en los cultivos, ya que al retener malezas junto a las platas compiten por espacio y recursos, afectando el desarrollo de la planta y la calidad de sus frutos. La iniciativa del proyecto es automatizar la identificación y cuantificación de malezas, por lo que se propone crear una aplicación web utilizando la arquitectura Faster R-CNN con Backbone VGG19. Las imágenes para su entrenamiento serán adquiridas mediante un dron. Esto ayudará a minimizar el tiempo que conlleva recorrer los terrenos propuestos. En el primer capítulo se muestra el estudio literario de los diferentes tipos de cultivos, las características de las malezas, su dispersión y propuestas para mitigar basados en trabajos relacionados, también qué tipos de parámetros y técnicas se emplean para solucionar la propuesta de este proyecto. Se establecen comparaciones de algoritmos para responder a preguntas de investigación propuestas por el director del trabajo. En el segundo capítulo se muestra la recolección de los datos y el preprocesamiento de estos, la elección de Faster R-CNN como algoritmo para el desarrollo del proyecto, también se muestra la construcción del aplicativo web y las diferentes experimentaciones realizadas para mejorar los resultados de predicción, además la intervención de la metodología en cascada e implementación de la norma ISO/IEC/IEEE 29148:2018 propuesta. En el tercer capítulo se muestran los resultados obtenidos de los diferentes modelos experimentados, se hace énfasis en la comparación de las versiones de modelos experimentales, y mediante métricas de validación analizar su eficacia. Se emplea un análisis estadístico descriptivo para confirmar la mejora en la eficiencia del proceso de identificar y cuantificar malezas. XXI Finalmente, en la sección de discusión, se comparan los hallazgos obtenidos de nuestra investigación con otras propuestas de investigación relacionadas a la detección de objetos y el impacto de nuestra aplicación web en la gestión agrícola | es_EC |
dc.language.iso | spa | es_EC |
dc.rights | openAccess | es_EC |
dc.rights | Atribución-NoComercial-CompartirIgual 3.0 Ecuador | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-sa/3.0/ec/ | * |
dc.subject | TECNOLOGÍA DRON | es_EC |
dc.subject | RED NEURONAL ARTIFICIAL | es_EC |
dc.subject | CULTIVOS AGRÍCOLAS | es_EC |
dc.title | Identificación de malezas en cultivos de maíz y/o papa a través de imágenes de un dron, utilizando la arquitectura de la red neuronal Faster R-CNN. | es_EC |
dc.type | bachelorThesis | es_EC |
dc.description.degree | Ingeniería | es_EC |
dc.contributor.deparment | Software | es_EC |
dc.coverage | Ibarra, Ecuador | es_EC |
dc.identifier.mfn | 0000043394 | es_EC |
Appears in Collections: | Software |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
04 SOF 064 Logo.jpg | Logo | 81.17 kB | JPEG | View/Open |
04 SOF 064 Trabajo de Grado.pdf | Trabajo de Grado | 5.73 MB | Adobe PDF | View/Open |
This item is protected by original copyright |
This item is licensed under a Creative Commons License