Browsing by Author "Villalobos Culqui, Cristian"

Filter results by typing the first few letters
Now showing 1 - 1 of 1
  • Thumbnail Image
    Item
    Modelo de visión artificial basada en redes neuronales convolucionales para identificación de mazorca negra en plantaciones de cacao
    (Universidad Nacional de San Martín. Fondo Editorial, 2024-12-19) Villalobos Culqui, Cristian; Valles Coral, Miguel Angel
    Modelo de visión artificial basada en redes neuronales convolucionales para identificación de mazorca negra en plantaciones de cacao La identificación y diagnóstico de la enfermedad de la mazorca negra en las plantaciones de cacao es uno de los principales problemas que enfrenta el sector agrícola, esta afección causa pérdidas en el rendimiento y calidad del grano, y se suma a la falta de métodos sofisticados para detectarla en etapas tempranas. El presente trabajo de investigación tiene como objetivo mejorar la detección de esta enfermedad mediante el desarrollo de modelos de visión artificial basados en redes neuronales convolucionales (CNN). Para ello, se recopilaron y etiquetaron un total de 1982 imágenes de mazorcas afectadas, obtenidas de cinco parcelas ubicadas en el sector Shitarillo, distrito de Alto Saposoa, provincia de Huallaga, San Martín. El periodo de ejecución del proyecto comprendió la recolección de datos y el desarrollo de los modelos durante un lapso de 9 meses. Se construyeron tres modelos principales utilizando las arquitecturas YOLOv8, InceptionV3 y VGG19, aplicando técnicas de transferencia de aprendizaje para mejorar la precisión en la clasificación. Los modelos fueron entrenados y evaluados con un diseño experimental factorial, empleando un 70% de las imágenes para entrenamiento, 20% para validación y 10% para pruebas. Los resultados indicaron que los modelos YOLOv8 e InceptionV3 lograron una precisión promedio del 79% en la detección de la mazorca negra, superando significativamente al modelo VGG19. Las métricas de evaluación como precisión, exactitud, F1, recall, Kappa de Cohen y área bajo la curva ROC confirmaron la eficacia de YOLOv8 e InceptionV3. La prueba ANOVA y la prueba de Tukey revelaron que VGG19 tuvo un rendimiento significativamente inferior, mientras que no se encontraron diferencias significativas entre YOLOv8 e InceptionV3. Esto demuestra que ambos modelos son adecuados para la implementación en sistemas de detección temprana de enfermedades en plantaciones de cacao, con YOLOv8 siendo ligeramente superior en cuanto a robustez y exactitud.