Veuillez utiliser cette adresse pour citer ce document :
https://rinacional.tecnm.mx/jspui/handle/TecNM/4421
Titre: | Sistema de visión artificial para la detección de plantas enfermas mediante aprendizaje profundo |
Auteur(s): | Meraz Hernandez, Andros%1031858 |
Date de publication: | 2022-03-18 |
Editeur: | Tecnológico Nacional de México |
metadata.dc.publisher.tecnm: | Centro Nacional de Investigación y Desarrollo Tecnológico |
Description: | En este proyecto de tesis se llevó a cabo la implementación de un modelo predictivo capaz de clasificar anomalías, causadas por los agentes patógenos: bacterias, hongos y virus, a partir de fotografías de hojas de las plantas de maíz y jitomate, mediante el enfoque de aprendizaje profundo. Se analizaron varias redes neuronales convolucionales y se seleccionó e implementó la red MobileNetV2 puesto que, esta red genera un modelo ligero pero, que ha demostrado tener un buen desempeño para clasificar imágenes capaz de ser ejecutado en la mayoría de los dispositivos, especialmente en aquellos que no poseen un hardware de alto rendimiento. Con la gran ventaja de que, en una aplicación móvil, no se requiere establecer una conexión vía internet para llevar a cabo un diagnóstico, lo cual lo hace especial para su uso en cualquier lugar. Los resultados que se obtuvieron en este trabajo fueron: la creación de un modelo predictivo capaz de inferir enfermedades de los cultivos antes mencionados bajo dos implementaciones: aplicación web y móvil (Android), con un desempeño del 99%, valor ligeramente mayor a lo reportado en el estado del arte. |
metadata.dc.type: | info:eu-repo/semantics/masterThesis |
Collection(s) : | Tesis de Maestría en Computación |
Fichier(s) constituant ce document :
Fichier | Description | Taille | Format | |
---|---|---|---|---|
MC_Andros_Meraz_Hernandez_2022.pdf | Tesis | 5.27 MB | Adobe PDF | Voir/Ouvrir |
MC_Andros_Meraz_Hernandez_2022.pdf Accès limité | Cesión de derechos | 690.88 kB | Adobe PDF | Voir/Ouvrir Demander une copie |
Ce document est protégé par copyright |
Ce document est autorisé sous une licence de type Licence Creative Commons