Publicación:
Sistema de identificación de enfermedades y plagas en el cultivo de sandía

Vista sencilla de ítem
dc.audience
dc.contributor.advisorGómez Gómez, Jorge Eliecer
dc.contributor.authorCueto Morelo, Raúl
dc.contributor.authorAtencio Flórez, Juan
dc.contributor.juryHernández Riaño, Velssy Liliana
dc.contributor.jurySalas Álvarez, Daniel José
dc.contributor.supervisorGómez Gómez, Jorge Eliecer
dc.date.accessioned2024-01-24T12:12:12Z
dc.date.available2024-01-24T12:12:12Z
dc.date.issued2024-01-22
dc.description.abstractEn este estudio se desarrolló una aplicación móvil bajo el nombre “Sandiapp”, con el objetivo de identificar las diferentes plagas y enfermedades que afectan el cultivo de sandía en el municipio de San Bernardo del Viento - Córdoba. Para cumplir con este objetivo, se realizó un levantamiento de campo utilizando el método cuantitativo, como estudio sistemático de los hechos dentro de los cuales se presentó el caso, para obtener información útil para formular la propuesta y sustentar la propuesta a través de un sistema que a través del aprendizaje automático identifica los tipos de plagas y enfermedades que afectan los cultivos de sandía. Para el desarrollo de este proyecto se utilizaron ciertos algoritmos de visión artificial, el cual consiste en reconocer formas, distancias, ángulos, colores y determinar las dimensiones de la planta de sandía. Para realizar este procedimiento se ha considerado la forma y tamaño de la lámina. A través de las pruebas realizadas durante el desarrollo de este trabajo se concluye que: Mediante la implementación del sistema de visión artificial se demostró el incremento en el porcentaje de agricultores, los cuales ahora cuentan con un mayor nivel de información sobre plagas y enfermedades del cultivo de sandía.spa
dc.description.abstractIn this study, a mobile application was developed under the name “Sandiapp”, with the aim of identifying the different pests and diseases that affect the cultivation of watermelon in the municipality of San Bernardo del Viento -Córdoba. To meet this objective, a field survey was carried out using the quantitative method, as a systematic study of the facts within which the case was presented, to obtain useful information to formulate the proposal and support the proposal through a system that through machine learning identifies the types of pests and Diseases that affect watermelon crops. For the development of this project, certain artificial vision algorithms were used, which consists of recognizing shapes, distances, angles, colors and determining the dimensions of the watermelon plant. To carry out this procedure, the shape and size of the sheet has been considered. Through the tests carried out during the development of this work, it is concluded that: Through the implementation of the artificial vision system, the increase in the percentage of farmers was demonstrated, which now has a higher level of information on pests and diseases of the watermelon crop.eng
dc.description.degreelevelPregrado
dc.description.degreenameIngeniero(a) de Sistemas
dc.description.modalityArtículo
dc.description.modalityTrabajos de Investigación y/o Extensión
dc.description.tableofcontentsIntroducción.....................................................................10spa
dc.description.tableofcontentsPlanteamiento del problema........................................11spa
dc.description.tableofcontentsJustificación.....................................................................14spa
dc.description.tableofcontentsObjetivos...............................................................16spa
dc.description.tableofcontentsMarco Hipótesis................................................................16spa
dc.description.tableofcontentsEstado del arte,................................................................17spa
dc.description.tableofcontentsMarco conceptual...............................................................33spa
dc.description.tableofcontentsMetodología....................................................................42spa
dc.description.tableofcontentsDesarrollo del Sistema...................................................43spa
dc.description.tableofcontentsAnálisis del Sistema.......................................................43spa
dc.description.tableofcontentsDiseño del Sistema........................................................44spa
dc.description.tableofcontentsModelo Entidad Relación...............................................44spa
dc.description.tableofcontentsModelo Relacional..............................................................45spa
dc.description.tableofcontentsCasos de Usos del Sistema........................................................46spa
dc.description.tableofcontentsDiagrama de Clases.........................................................................71spa
dc.description.tableofcontentsDiagramas de Estados.........................................................................72spa
dc.description.tableofcontentsPruebas...........................................................................74spa
dc.description.tableofcontentsPruebas del sistema en Android....................................................74spa
dc.description.tableofcontentsResultados y Discusiones................................................................74spa
dc.description.tableofcontentsConclusiones........................................................................................77spa
dc.description.tableofcontentsRecomendaciones...................................................................................88spa
dc.description.tableofcontentsAnexos............................................................................................................87spa
dc.description.tableofcontentsANEXO 1 MANUAL DEL USUARIO.........................................................................89spa
dc.description.tableofcontentsANEXO 2 MANUAL DEL USUARIO DE LA APP IMPLEMENTADO EN UN SISTEMA RASPBERRY................100spa
dc.description.tableofcontentsAlgoritmo del modelo de clasificación......................................106spa
dc.description.tableofcontentsReferencias......................................................................................147spa
dc.format.mimetypeapplication/pdf
dc.identifier.urihttps://repositorio.unicordoba.edu.co/handle/ucordoba/8086
dc.language.isospa
dc.publisherUniversidad de Córdoba
dc.publisher.facultyFacultad de Ingeniería
dc.publisher.placeMontería, Córdoba, Colombia
dc.publisher.programIngeniería de Sistemas
dc.relation.referencesGómez-Camperos, J.A., Jaramillo, H.Y., & Guerrero-Gómez, G. (2021). Técnicas de procesamiento digital de imágenes para detección de plagas y enfermedades en cultivos: una revisión. INGENIERÍA Y COMPETITIVIDAD
dc.relation.referencesMartínez-Corral, L., Martínez-Rubín, E., Flores-García, F., Castellanos, G.C., Juarez, A.L., & López, M. (2009). Desarrollo de una base de datos para caracterización de alfalfa (Medicago sativa L.) en un sistema de visión artificial
dc.relation.referencesSanta María Pinedo, J.C., Ríos López, C.A., Rodríguez Grández, C., & García Estrella, C.W. (2021). Reconocimiento de patrones de imágenes a través de un sistema de visión artificial en MATLAB. Revista Científica de Sistemas e Informática
dc.relation.referencesMalpartida, S., & Ángel, E.T. (2011). Sistema de visión artificial para el reconocimiento y manipulación de objetos utilizando un brazo robot
dc.relation.referencesVargas, O.L., & Perrez, Á.A. (2019). Implementación de un Sistema de Visión Artificial para la clasificación de naranja producida en el departamento del Quindío
dc.relation.referencesLeón León, R.A., Jara, B.J., Cruz Saavedra, R., Terrones Julcamoro, K., Torres Verastegui, A., & Aponte de la Cruz, M.A. (2020). DESARROLLO DE SISTEMA DE VISIÓN ARTIFICIAL PARA CONTROL DE CALIDAD DE BOTELLAS EN LA EMPRESA CARTAVIO RUM COMPANY. Ingeniería Investigación y Desarrollo
dc.relation.referencesBautista, R.A., Constante, P., Gordon, A., & Mendoza, D. (2019). Diseño e implementación de un sistema de visión artificial para análisis de datos NDVI en imágenes espectrales de cultivos de brócoli obtenidos mediante una aeronave pilotada remotamente. Infociencia
dc.relation.referencesPrócel, P.N., & Garcés, A.M. (2015). Diseño e implementación de un sistema de visión artificial para clasificación de al menos tres tipos de frutas
dc.relation.referencesYandún Velasteguí, M.A. (2020). Detección de enfermedades en cultivos de Papa usando procesamiento de imágenes
dc.relation.referencesMartínez, F.H., Montiel, H., & Martínez, F. (2022). A Machine Learning Model for the Diagnosis of Coffee Diseases. International Journal of Advanced Computer Science and Applications
dc.relation.referencesOrtega, B.R., Biswal, R.R., & Sánchez-Delacruz, E. (2019). Detección de enfermedades en el sector agrícola utilizando Inteligencia Artificial. Res. Comput. Sci., 148, 419-427
dc.relation.referencesZapata, V., & Alejandro, J.R. (2019). Diseño y desarrollo de un sistema prototipo de diagnóstico de afecciones en plantas de cítricos utilizando procesamiento de imágenes y aprendizaje profundo
dc.relation.referencesPillajo, M.A., Pillajo, M.A., & Cabascango, A.S. (2019). Diagnóstico inteligente de enfermedades y plagas en plantas ornamentales
dc.relation.referencesNarciso Horna, W.A., & Manzano Ramos, E.A. (2021). Sistema de visión artificial basado en redes neuronales convolucionales para la selección de arándanos según estándares de exportación. Campus
dc.relation.referencesHuaccha, E.D. (2018). Desarrollo de un sistema de visión artificial para realizar una clasificación uniforme de limones
dc.relation.referencesBautista, R.A., Constante, P., Gordon, A., & Mendoza, D. (2019). Diseño e implementación de un sistema de visión artificial para análisis de datos NDVI en imágenes espectrales de cultivos de brócoli obtenidos mediante una aeronave pilotada remotamente. Infociencia
dc.relation.referencesTinajero, J., Acosta, L.A., Chango, E.F., & Moyon, J.F. (2020). Sistema de visión artificial para clasificación de latas de pintura por color considerando el espacio de color RGB
dc.relation.referencesSalazar, P., Ortiz, S., Hernandez, T.H., & Bermeo, N.V. (2016). Artificial Vision System Using Mobile Devices for Detection of Fusarium Fungus in Corn. Res. Comput. Sci., 121, 95-104
dc.relation.referencesGhyar, B.S., & Birajdar, G.K. (2017). Computer vision based approach to detect rice leaf diseases using texture and color descriptors. 2017 International Conference on Inventive Computing and Informatics (ICICI), 1074-1078
dc.relation.referencesYasir, R., Rahman, M.A., & Ahmed, N. (2014). Dermatological disease detection using image processing and artificial neural network. 8th International Conference on Electrical and Computer Engineering, 687-690
dc.relation.referencesP. P. Garcia Garcia, Reconocimiento de imagenes utilizando redes neuronales artificiales, Madrid, España, 2013
dc.relation.referencesOrduz, J. O., León, G. A., Chacón Díaz, A., Linares, V. M., & Rey, C. A. (2000). El cultivo de la sandía o patilla (Citrullus lanatus) en el departamento del Meta (No. Doc. 21998) CO-BAC, Bogotá)
dc.relation.referencesGonzález Sánchez, H. A. (1999). Impacto ambiental de la labranza mecánica convencional. Departamento de Ciencias Agropecuarias
dc.relation.referencesJ. M. G. Recinos, Rendimiento de híbridos de sandía tipo personal; valle del Motagua,Zacapa., Zacapa, 2015
dc.relation.referencesR. Jorge, Introducción a los sistemas de visión artificial, Madrid, España, 2011
dc.relation.referencesRamírez Escalante, Boris. Procesamiento Digital de Imágenes [en línea], Verona, [citado agosto, 2006]
dc.relation.referencesCHAVEZ, Procesamiento de imágenes [en linea], Puebla, Universidad de las Américas puebla [citado en 6 de Julio de 2015]
dc.relation.referencesMATWORKS, Detección de bordes [en línea], [citado en 6 de octubre de 2015]
dc.relation.referencesA. Marin Poatoni, Desarrollo de prototipo de aplicacion (APP), para dispositivos móviles basados en el sistemas IOS, para el reconocimiento de objetos"Hojas" en imagenes, Motecillo, Mexico, 2014
dc.relation.referencesH. T. T. ,. L. V. G. Bay, «Speeded-Up Robust,» EE.UU, 2006
dc.relation.referencesSimeone, O. A Very Brief Introduction to Machine Learning With Applications to Communication Systems. Repositorio Universidad de Cornell, 2018
dc.relation.referencesComputerworld. Tendencias tecnológicas para 2020: las apuestas de Gartner
dc.relation.referencesAbney, S., Semisupervised Learning for Computational Linguistics. Chapman & Hall/CRC, 2008
dc.relation.referencesBlum, A., Mitchell, T. Combining labeled and unlabeled data with co-training. COLT: Proceedings of the Workshop on Computational Learning Theory, Morgan Kaufmann, 1998, p. 92-100
dc.relation.referencesChapelle, O., B. Schölkopf and A. Zien: Semi-Supervised Learning. MIT Press, Cambridge, MA (2006). Further information
dc.relation.referencesHuang T-M., Kecman V., Kopriva I., Kernel Based Algorithms for Mining Huge Data Sets, Supervised, Semisupervised and Unsupervised Learning, Springer-Verlag, Berlin, Heidelberg, 260 pp. 96 illus., Hardcover, ISBN 3-540-31681-7, 2006
dc.relation.referencesAlfonso Ibáñez Martín Semi-Supervised Learning, 2019
dc.relation.referencesIlanchezhian, Shanmugaraja, Thangaraj, & Stalin, A.R. (2021). A CONVOLUTION NEURAL NETWORK BASED SMART INTELLIGENT WEED DETECTION SYSTEM
dc.relation.referencesAsefpour Vakilian, K., & Massah, J. (2013). Performance evaluation of a machine vision system for insect pests identification of field crops using artificial neural networks. Archives of Phytopathology and Plant Protection, 46, 1262 – 1269
dc.relation.referencesLurstwut, B., & Pornpanomchai, C. (2016). Application of Image Processing and Computer Vision on Rice Seed Germination Analysis
dc.relation.referencesPusdá-Chulde, M., Salazar-Fierro, F.A., Sandoval-Pillajo, L., Herrera-Granda, E.P., García-Santillán, I.D., & De Giusti, A. (2019). Image Analysis Based on Heterogeneous Architectures for Precision Agriculture: A Systematic Literature Review. Advances and Applications in Computer Science, Electronics and Industrial Engineering
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.subject.keywordsImage processing
dc.subject.keywordsComputer orautomated learning
dc.subject.keywordsSupervised learning
dc.subject.keywordsUnsupervised learning
dc.subject.keywordsWatermelon
dc.subject.keywordsArtificial intelligence
dc.subject.keywordsArtificial vision
dc.subject.proposalProcesamiento de imágenes
dc.subject.proposalAprendizaje informático o automatizado
dc.subject.proposalAprendizaje supervisado
dc.subject.proposalAprendizaje no supervisado
dc.subject.proposalSandía
dc.subject.proposalInteligencia artificial
dc.subject.proposalVisión artificial
dc.titleSistema de identificación de enfermedades y plagas en el cultivo de sandíaspa
dc.typeTrabajo de grado - Pregrado
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.type.coarversionhttp://purl.org/coar/version/c_ab4af688f83e57aa
dc.type.contentText
dc.type.driverinfo:eu-repo/semantics/bachelorThesis
dc.type.versioninfo:eu-repo/semantics/acceptedVersion
dspace.entity.typePublication
Archivos
Bloque original
Mostrando 1 - 2 de 2
Miniatura
Nombre:
RaulCueto.pdf
Tamaño:
4.58 MB
Formato:
Adobe Portable Document Format
Descargar
No hay miniatura disponible
Nombre:
FORMATO DE AUTORIZACIÓN. Cueto Raul 2.pdf
Tamaño:
411.25 KB
Formato:
Adobe Portable Document Format
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
15.18 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar
Colecciones
F.E.A. Trabajos de Investigación y/o Extensión