Please use this identifier to cite or link to this item:
https://rinacional.tecnm.mx/jspui/handle/TecNM/13977Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.author | Sánchez Ruiz, Andrea%2053824 | - |
| dc.creator | Sánchez Ruiz, Andrea%2053824 | - |
| dc.date.accessioned | 2026-09-11T03:43:28Z | - |
| dc.date.available | 2026-09-11T03:43:28Z | - |
| dc.date.issued | 2026-08-20 | - |
| dc.identifier.uri | https://rinacional.tecnm.mx/jspui/handle/TecNM/13977 | - |
| dc.description | La detección temprana de plagas en cultivos de maíz representa un desafío para la agricultura, ya que los métodos tradicionales de inspección dependen de recorridos manuales, requieren una elevada inversión de tiempo y están sujetos a la experiencia del personal encargado del monitoreo. En este contexto, el presente trabajo propone la implementación de un modelo basado en aprendizaje profundo para la detección de plagas en cultivos de maíz mediante imágenes capturadas por dron y dispositivos móviles en condiciones reales de campo. Por esto, se creó un conjunto de datos integrado por 2,500 imágenes de cultivos de maíz sanos y con presencia de plagas, obtenidas de parcelas agrícolas ubicadas en los municipios de Emiliano Zapata, Jojutla y Tlaltizapán, Morelos. Posteriormente, se aplicaron técnicas de preprocesamiento y aumentación de datos que incluyó redimensionamiento, normalización, rotación, contraste, zoom y volteo horizontal; con el propósito de incrementar la diversidad del conjunto y favorecer la generalización de los modelos. La propuesta se basó en aprendizaje por transferencia mediante la evaluación comparativa de tres arquitecturas de redes neuronales convolucionales: ResNet50, EfficientNetB0 y MobileNetV2. Las tres arquitecturas se entrenaron utilizando el mismo conjunto de datos, misma división de entrenamiento y validación, los mismos parámetros experimentales, permitiendo realizar una comparación objetiva de su desempeño de clasificación. La evaluación se realizó mediante las métricas de accuracy, precisión, recall y F1-score, considerando el análisis de la matriz de confusión y curvas ROC y PR. Los resultados mostraron que la arquitectura ResNet50 obtuvo el mejor desempeño, al clasificar con mayor precisión las imágenes de cultivos con y sin presencia de plagas en entornos agrícolas reales. Estos resultados evidencian el potencial del aprendizaje profundo como herramienta de apoyo para la agricultura de precisión, contribuyendo al monitoreo fitosanitario oportuno y a una toma de decisiones orientada a reducir pérdidas económicas. | es_MX |
| dc.language.iso | spa | es_MX |
| dc.publisher | Tecnológico Nacional de México | es_MX |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0 | es_MX |
| dc.subject | info:eu-repo/classification/cti/7 | es_MX |
| dc.subject.other | Deep Learning; Redes Neuronales Convolucionales; plagas; maíz; imágenes de dron; Aprendizaje por Transferencia | es_MX |
| dc.title | Desarrollo de un modelo de Deep Learning para la detección de plagas en cultivos de maíz mediante imágenes adquiridas por drones | es_MX |
| dc.type | info:eu-repo/semantics/masterThesis | es_MX |
| dc.contributor.director | López Caballero, Vitervo%512773 | - |
| dc.contributor.director | Castro Sánchez, Noé Alejandro%43119 | - |
| dc.folio | 1585 | es_MX |
| dc.rights.access | info:eu-repo/semantics/openAccess | es_MX |
| dc.publisher.tecnm | Centro Nacional de Investigación y Desarrollo Tecnológico | es_MX |
| Appears in Collections: | Tesis de Maestría en Ciencias de la Ingeniería | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| MI_Andrea_Sanchez_Ruiz_2026.pdf | Tesis | 2.69 MB | Adobe PDF | View/Open |
| MI_Andrea_Sanchez_Ruiz_2026_c.pdf Restricted Access | Cesión de derechos | 404.96 kB | Adobe PDF | View/Open Request a copy |
This item is protected by original copyright |
This item is licensed under a Creative Commons License
