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 TailleFormat 
MC_Andros_Meraz_Hernandez_2022.pdfTesis5.27 MBAdobe PDFVoir/Ouvrir
MC_Andros_Meraz_Hernandez_2022.pdf
  Accès limité
Cesión de derechos690.88 kBAdobe PDFVoir/Ouvrir    Demander une copie


Ce document est protégé par copyright



Ce document est autorisé sous une licence de type Licence Creative Commons Creative Commons