Diagnóstico del hongo FoCR4T en plantas musáceas mediante una red neuronal convolucional

El presente Proyecto de grado tiene como objetivo abordar los conceptos relacionados con las redes neuronales y su uso práctico aplicado al procesamiento y análisis de imágenes en el proceso de diagnóstico de la infección por la Raza 4 Tropical de Fusarium Oxysporum (Foc R4T) en plantas musáceas (ba...

Full description

Autores:
Cifuentes Galvis, Yeimy Andrea
Tipo de recurso:
Trabajo de grado de pregrado
Fecha de publicación:
2022
Institución:
Institución Universitaria Politécnico Grancolombiano
Repositorio:
Alejandría Repositorio Institucional
Idioma:
spa
OAI Identifier:
oai:alejandria.poligran.edu.co:10823/7528
Acceso en línea:
http://hdl.handle.net/10823/7528
Palabra clave:
Aprendizaje de máquina
Hoja de banano
Hongos
Inteligencia artificial
Procesamiento de imágenes
Python
Redes neuronales
Algoritmos de aprendizaje
Inteligencia emocional - agricultura
Redes neuronales - diagnóstico
Python
Artificial intelligence
Banana leaf
Fungus
Image processing
Machine learning
Neural networks
Rights
License
Atribución-NoComercial-SinDerivadas 2.5 Colombia
id Poli2_b6849059f62186862e9960662747e0df
oai_identifier_str oai:alejandria.poligran.edu.co:10823/7528
network_acronym_str Poli2
network_name_str Alejandría Repositorio Institucional
repository_id_str
dc.title.spa.fl_str_mv Diagnóstico del hongo FoCR4T en plantas musáceas mediante una red neuronal convolucional
dc.title.translated.spa.fl_str_mv Diagnosis of the FoCR4T fungus in musaceae plants through a convolutional neural network
title Diagnóstico del hongo FoCR4T en plantas musáceas mediante una red neuronal convolucional
spellingShingle Diagnóstico del hongo FoCR4T en plantas musáceas mediante una red neuronal convolucional
Aprendizaje de máquina
Hoja de banano
Hongos
Inteligencia artificial
Procesamiento de imágenes
Python
Redes neuronales
Algoritmos de aprendizaje
Inteligencia emocional - agricultura
Redes neuronales - diagnóstico
Python
Artificial intelligence
Banana leaf
Fungus
Image processing
Machine learning
Neural networks
title_short Diagnóstico del hongo FoCR4T en plantas musáceas mediante una red neuronal convolucional
title_full Diagnóstico del hongo FoCR4T en plantas musáceas mediante una red neuronal convolucional
title_fullStr Diagnóstico del hongo FoCR4T en plantas musáceas mediante una red neuronal convolucional
title_full_unstemmed Diagnóstico del hongo FoCR4T en plantas musáceas mediante una red neuronal convolucional
title_sort Diagnóstico del hongo FoCR4T en plantas musáceas mediante una red neuronal convolucional
dc.creator.fl_str_mv Cifuentes Galvis, Yeimy Andrea
dc.contributor.advisor.spa.fl_str_mv Ávila Buitrago, Gabriel Eduardo
dc.contributor.author.spa.fl_str_mv Cifuentes Galvis, Yeimy Andrea
dc.subject.proposal.spa.fl_str_mv Aprendizaje de máquina
Hoja de banano
Hongos
Inteligencia artificial
Procesamiento de imágenes
Python
Redes neuronales
topic Aprendizaje de máquina
Hoja de banano
Hongos
Inteligencia artificial
Procesamiento de imágenes
Python
Redes neuronales
Algoritmos de aprendizaje
Inteligencia emocional - agricultura
Redes neuronales - diagnóstico
Python
Artificial intelligence
Banana leaf
Fungus
Image processing
Machine learning
Neural networks
dc.subject.lemb.spa.fl_str_mv Algoritmos de aprendizaje
Inteligencia emocional - agricultura
Redes neuronales - diagnóstico
dc.subject.keywords.spa.fl_str_mv Python
Artificial intelligence
Banana leaf
Fungus
Image processing
Machine learning
Neural networks
description El presente Proyecto de grado tiene como objetivo abordar los conceptos relacionados con las redes neuronales y su uso práctico aplicado al procesamiento y análisis de imágenes en el proceso de diagnóstico de la infección por la Raza 4 Tropical de Fusarium Oxysporum (Foc R4T) en plantas musáceas (bananos y plátanos). Pretende también comprobar cómo la tecnología y el saber pueden crear herramientas que contribuyen al desarrollo de la agricultura en un país como Colombia e indirectamente propender por la seguridad alimentaria.
publishDate 2022
dc.date.issued.none.fl_str_mv 2022-01-17
dc.date.accessioned.none.fl_str_mv 2025-02-07T12:53:49Z
dc.date.available.none.fl_str_mv 2025-02-07T12:53:49Z
dc.type.spa.fl_str_mv bachelorThesis
dc.type.coarversion.fl_str_mv http://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.local.spa.fl_str_mv Tesis/Trabajo de grado - Monografía - Pregrado
dc.type.driver.spa.fl_str_mv info:eu-repo/semantics/bachelorThesis
dc.type.coar.spa.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
dc.type.redcol.none.fl_str_mv https://purl.org/redcol/resource_type/TP
format http://purl.org/coar/resource_type/c_7a1f
dc.identifier.uri.none.fl_str_mv http://hdl.handle.net/10823/7528
dc.identifier.instname.spa.fl_str_mv instname:Politécnico Grancolombiano
dc.identifier.reponame.spa.fl_str_mv reponame:Alejandría Repositorio Comunidad
dc.identifier.repourl.spa.fl_str_mv repourl:http://alejandria.poligran.edu.co
url http://hdl.handle.net/10823/7528
identifier_str_mv instname:Politécnico Grancolombiano
reponame:Alejandría Repositorio Comunidad
repourl:http://alejandria.poligran.edu.co
dc.language.iso.spa.fl_str_mv spa
language spa
dc.relation.references.spa.fl_str_mv A Athiraja, P. V. (2021). Banana disease diagnosis using computer vision and machine learning methods. Journal of Ambient Intelligence and Humanized Computing, 6537-6556.
Amara, J., Bouaziz, B., & Algergawy, A. (2017). A Deep Learning-based Approach for Banana Leaf Diseases. Obtenido de Datenbanksysteme für Business, Technologie und Web (BTW 2017)-Workshopband.: http://btw2017.informatik.uni-stuttgart.de/slidesandpapers/E1-10/paper_web.pdf
Bendersky, M., & Wang, X. (17 de July de 2021). Google AI Blog. Obtenido de Advances in TF-Ranking: https://ai.googleblog.com/search/label/TensorFlow
Carneiro, T., Medeiros Da NóBrega, R., Nepomuceno, T., Bian, G.-B., De Albuquerque, V., & Filho, P. (08 de October de 2018). Performance Analysis of Google Colaboratory as a Tool for Accelerating Deep Learning Applications. Obtenido de IEEE Xplore: https://ieeexplore.ieee.org/document/8485684/
FAO. (s.f.). FAO. Obtenido de https://www.fao.org/3/au910s/au910s.pdf
Haykin, S. (1994). Neural Networks, a comprehensive foundation.
Infaimon. (29 de Enero de 2020). Historia de la visión artificial. Obtenido de Infaimon: https://blog.infaimon.com/historia-vision-artificial/
Krause, J., Sugita, G., Baek, K., & Lim, L. (June de 2018). WTPlant (What's That Plant?): A Deep Learning System for Identifying Plants in Natural Images. Obtenido de ACM Digital Library: https://dl-acm-org.loginbiblio.poligran.edu.co/doi/10.1145/3206025.3206089
Liu, L., Li, J., & Sun, Y. (October de 2019). Research on the Plant Leaf Disease Region Extraction. Obtenido de ACm Digital Library: https://dl-acm-org.loginbiblio.poligran.edu.co/doi/10.1145/3369318.3369321
N. Saranya, L. P. (2020). Detection of Banana Leaf and Fruit Diseases Using Neural Networks. 2020 Second International Conference on Inventive Research in Computing Applications (ICIRCA). Combatore, India: IEEE. Obtenido de IEEExplore.
Senasica. (Agosto de 2019). Guía de Síntomas y daños de la fusariosis de las musáceas. Obtenido de SENASICA: https://prod.senasica.gob.mx/SIRVEF/ContenidoPublico/Guias%20de%20sintomas/Fusariosis%20de%20las%20mus%C3%A1ceas%20(Fusarium%20oxysporum%20f.%20sp.%20cubense%20R4T).pdf
Simplilearn. (27 de May de 2021). An overview on multilayer Perceptron (MLP). Obtenido de Simplilearn: https://www.simplilearn.com/tutorials/deep-learning-tutorial/multilayer-perceptron
Soto, S. A. (15 de Feb de 2021). Sector Agro fue la actividad económica que más creció en 2020, con variación de 2,8%. Obtenido de Agronegocios: https://www.agronegocios.co/agricultura/sector-agro-fue-la-actividad-economica-que-mas-crecio-en-2020-con-variacion-de-28-3125707
dc.rights.coar.fl_str_mv http://purl.org/coar/access_right/c_abf2
dc.rights.creativecommons.spa.fl_str_mv Atribución-NoComercial-SinDerivadas 2.5 Colombia
rights_invalid_str_mv Atribución-NoComercial-SinDerivadas 2.5 Colombia
http://purl.org/coar/access_right/c_abf2
dc.format.mimetype.spa.fl_str_mv application/pdf
dc.coverage.spatial.spa.fl_str_mv Bogotá D.C.
dc.coverage.temporal.none.fl_str_mv 01/08/2021 a 22/12/2021
dc.publisher.program.spa.fl_str_mv Ingeniería de Sistemas
dc.publisher.faculty.spa.fl_str_mv Facultad de ingeniería y Diseño e Innovación
institution Institución Universitaria Politécnico Grancolombiano
bitstream.url.fl_str_mv https://alejandria.poligran.edu.co/bitstream/10823/7528/1/DIAGN%c3%93STICO%20DE%20FoCR4T%20EN%20PLANTAS%20MUS%c3%81CEAS%20MEDIANTE%20UNA%20RED%20NEURONAL.pdf
https://alejandria.poligran.edu.co/bitstream/10823/7528/2/license.txt
https://alejandria.poligran.edu.co/bitstream/10823/7528/3/DIAGN%c3%93STICO%20DE%20FoCR4T%20EN%20PLANTAS%20MUS%c3%81CEAS%20MEDIANTE%20UNA%20RED%20NEURONAL.pdf.jpg
bitstream.checksum.fl_str_mv a3f0b50a2bade6fe01f595093225e8eb
8a4605be74aa9ea9d79846c1fba20a33
3ac0c1acea50fae90c5972a274831f97
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Comunidad Politecnico Grancolombiano
repository.mail.fl_str_mv dspace@poligran.edu.co
_version_ 1851058986397204480
spelling Ávila Buitrago, Gabriel EduardoCifuentes Galvis, Yeimy AndreaBogotá D.C.01/08/2021 a 22/12/20212025-02-07T12:53:49Z2025-02-07T12:53:49Z2022-01-17http://hdl.handle.net/10823/7528instname:Politécnico Grancolombianoreponame:Alejandría Repositorio Comunidadrepourl:http://alejandria.poligran.edu.coEl presente Proyecto de grado tiene como objetivo abordar los conceptos relacionados con las redes neuronales y su uso práctico aplicado al procesamiento y análisis de imágenes en el proceso de diagnóstico de la infección por la Raza 4 Tropical de Fusarium Oxysporum (Foc R4T) en plantas musáceas (bananos y plátanos). Pretende también comprobar cómo la tecnología y el saber pueden crear herramientas que contribuyen al desarrollo de la agricultura en un país como Colombia e indirectamente propender por la seguridad alimentaria.AGRADECIMIENTOS ... 3 RESUMEN ... 4 ABSTRACT ... 5 Tabla de Ilustraciones ... 8 Listado de Tablas ... 10 INTRODUCCIÓN ... 11 OBJETIVOS ... 13 General ... 13 Específicos ... 13 CAPÍTULO I: Descripción del Proyecto ... 14 1.1. PLANTEAMIENTO DEL PROBLEMA ... 14 1.1. JUSTIFICACIÓN ... 16 1.2. ALCANCE DEL PROYECTO ... 18 1.3. ESTADO DEL ARTE ... 19 CAPÍTULO II: Marco Teórico ... 21 2. MARCO TEÓRICO... 21 2.1. La columna vertebral del proyecto: Las redes Neuronales ... 21 2.2. Arquitectura de las redes neuronales ... 23 i. La unidad básica de las redes neuronales artificiales: El Perceptrón simple ... 23 i. El Perceptrón multicapa o las Redes neuronales FeedFordward ... 24 ii. Redes Neuronales Profundas ... 25 iii. Redes Neuronales Convolucionales ... 25 Componentes de la red neuronal convolucional ... 26 2.3. Conceptos asociados a las Redes Neuronales ... 27 i. Capa de Entrada ... 27 ii. Época (Epoch) ... 27 iii. Batch size ... 27 iv. Funciones de Activación ... 28 v. Función de Pérdida ... 28 vi. Herramientas para el manejo de redes neuronales y Deep Learning ... 28 CAPÍTULO III: DISEÑO METODOLÓGICO ... 29 3. ESTRATEGIA METODOLÓGICA ... 29 3.1. Fase 1 ... 29 DIAGNÓSTICO DE FocR4T MEDIANTE UNA RNC 7 3.2. Fase 2 ... 30 3.3. Fase 3 ... 30 3.4. Fase 4 ... 31 CAPÍTULO IV: DESARROLLO DEL PROYECTO ... 31 4. Antecedentes ... 31 4.1. Revisión de literatura y búsqueda de información ... 37 Etapa 1: Construcción de la pregunta de investigación ... 38 Etapa 2: Búsqueda de información y evidencia ... 39 Etapa 3: Aplicación de criterios de exclusión ... 39 4.4. Visitas de campo ... 43 Tena, Cundinamarca ... 43 La Mesa, Cundinamarca ... 45 Guamo, Tolima ... 48 4.5. Captura de imágenes y creación de un dataset ... 50 4.6. Criterios de preprocesamiento de las imágenes ... 52 4.7. Diseño de la red neuronal convolucional... 53 4.7.1. Requerimientos de alto nivel ... 53 4.7.2. Herramientas y Librerías Existentes ... 53 4.8. Definición de Casos de Uso ... 55 4.9. Implementación o desarrollo de la red neuronal convolucional ... 56 4.9.1. Preprocesamiento de las imágenes ... 56 4.9.2. Arquitectura implementada ... 59 4.9.3. Especificaciones del Dataset ... 60 4.9.4. Proceso de Entrenamiento de la red neuronal ... 60 4.9.5. Matriz de Confusión ... 60 4.9.6. Función de pérdida ... 62 4.9.7. Accuracy o Exactitud del modelo ... 63 CAPÍTULO V: RESULTADOS OBTENIDOS ... 64 5. Resultados ... 64 5.1. Entregables ... 64 CAPÍTULO VI: CONCLUSIONES ... 65 6. Conclusiones ... 65 CAPÍTULO VII: TRABAJO FUTURO ... 69 7. Trabajo Futuro ... 69 Referencias y Bibliografía ... 71The present degree project aims to address the concepts related with neural networks and their practical use applied to image processing and analysis as a useful tool in the diagnosis of infection by Fusarium Oxysporum tropical race 4 (Foc TR4) in musaceous plants (bananas and plantains). It also aims to prove how technology and knowledge can create tools that contribute to the development of agriculture in a country like Colombia and indirectly contribute to food security.application/pdfspaDiagnóstico del hongo FoCR4T en plantas musáceas mediante una red neuronal convolucionalDiagnosis of the FoCR4T fungus in musaceae plants through a convolutional neural networkbachelorThesisTesis/Trabajo de grado - Monografía - Pregradoinfo:eu-repo/semantics/bachelorThesishttp://purl.org/coar/resource_type/c_7a1fhttps://purl.org/redcol/resource_type/TPhttp://purl.org/coar/version/c_b1a7d7d4d402bcceAprendizaje de máquinaHoja de bananoHongosInteligencia artificialProcesamiento de imágenesPythonRedes neuronalesAlgoritmos de aprendizajeInteligencia emocional - agriculturaRedes neuronales - diagnósticoPythonArtificial intelligenceBanana leafFungusImage processingMachine learningNeural networksA Athiraja, P. V. (2021). Banana disease diagnosis using computer vision and machine learning methods. Journal of Ambient Intelligence and Humanized Computing, 6537-6556.Amara, J., Bouaziz, B., & Algergawy, A. (2017). A Deep Learning-based Approach for Banana Leaf Diseases. Obtenido de Datenbanksysteme für Business, Technologie und Web (BTW 2017)-Workshopband.: http://btw2017.informatik.uni-stuttgart.de/slidesandpapers/E1-10/paper_web.pdfBendersky, M., & Wang, X. (17 de July de 2021). Google AI Blog. Obtenido de Advances in TF-Ranking: https://ai.googleblog.com/search/label/TensorFlowCarneiro, T., Medeiros Da NóBrega, R., Nepomuceno, T., Bian, G.-B., De Albuquerque, V., & Filho, P. (08 de October de 2018). Performance Analysis of Google Colaboratory as a Tool for Accelerating Deep Learning Applications. Obtenido de IEEE Xplore: https://ieeexplore.ieee.org/document/8485684/FAO. (s.f.). FAO. Obtenido de https://www.fao.org/3/au910s/au910s.pdfHaykin, S. (1994). Neural Networks, a comprehensive foundation.Infaimon. (29 de Enero de 2020). Historia de la visión artificial. Obtenido de Infaimon: https://blog.infaimon.com/historia-vision-artificial/Krause, J., Sugita, G., Baek, K., & Lim, L. (June de 2018). WTPlant (What's That Plant?): A Deep Learning System for Identifying Plants in Natural Images. Obtenido de ACM Digital Library: https://dl-acm-org.loginbiblio.poligran.edu.co/doi/10.1145/3206025.3206089Liu, L., Li, J., & Sun, Y. (October de 2019). Research on the Plant Leaf Disease Region Extraction. Obtenido de ACm Digital Library: https://dl-acm-org.loginbiblio.poligran.edu.co/doi/10.1145/3369318.3369321N. Saranya, L. P. (2020). Detection of Banana Leaf and Fruit Diseases Using Neural Networks. 2020 Second International Conference on Inventive Research in Computing Applications (ICIRCA). Combatore, India: IEEE. Obtenido de IEEExplore.Senasica. (Agosto de 2019). Guía de Síntomas y daños de la fusariosis de las musáceas. Obtenido de SENASICA: https://prod.senasica.gob.mx/SIRVEF/ContenidoPublico/Guias%20de%20sintomas/Fusariosis%20de%20las%20mus%C3%A1ceas%20(Fusarium%20oxysporum%20f.%20sp.%20cubense%20R4T).pdfSimplilearn. (27 de May de 2021). An overview on multilayer Perceptron (MLP). Obtenido de Simplilearn: https://www.simplilearn.com/tutorials/deep-learning-tutorial/multilayer-perceptronSoto, S. A. (15 de Feb de 2021). Sector Agro fue la actividad económica que más creció en 2020, con variación de 2,8%. Obtenido de Agronegocios: https://www.agronegocios.co/agricultura/sector-agro-fue-la-actividad-economica-que-mas-crecio-en-2020-con-variacion-de-28-3125707Ingeniería de SistemasFacultad de ingeniería y Diseño e InnovaciónAtribución-NoComercial-SinDerivadas 2.5 Colombiahttp://purl.org/coar/access_right/c_abf2ORIGINALDIAGNÓSTICO DE FoCR4T EN PLANTAS MUSÁCEAS MEDIANTE UNA RED NEURONAL.pdfDIAGNÓSTICO DE FoCR4T EN PLANTAS MUSÁCEAS MEDIANTE UNA RED NEURONAL.pdfDocumento de trabajo de gradoapplication/pdf2152387https://alejandria.poligran.edu.co/bitstream/10823/7528/1/DIAGN%c3%93STICO%20DE%20FoCR4T%20EN%20PLANTAS%20MUS%c3%81CEAS%20MEDIANTE%20UNA%20RED%20NEURONAL.pdfa3f0b50a2bade6fe01f595093225e8ebMD51open accessLICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://alejandria.poligran.edu.co/bitstream/10823/7528/2/license.txt8a4605be74aa9ea9d79846c1fba20a33MD52open accessTHUMBNAILDIAGNÓSTICO DE FoCR4T EN PLANTAS MUSÁCEAS MEDIANTE UNA RED NEURONAL.pdf.jpgDIAGNÓSTICO DE FoCR4T EN PLANTAS MUSÁCEAS MEDIANTE UNA RED NEURONAL.pdf.jpgIM Thumbnailimage/jpeg3874https://alejandria.poligran.edu.co/bitstream/10823/7528/3/DIAGN%c3%93STICO%20DE%20FoCR4T%20EN%20PLANTAS%20MUS%c3%81CEAS%20MEDIANTE%20UNA%20RED%20NEURONAL.pdf.jpg3ac0c1acea50fae90c5972a274831f97MD53open access10823/7528oai:alejandria.poligran.edu.co:10823/75282025-02-08 03:00:23.94open accessRepositorio Comunidad Politecnico Grancolombianodspace@poligran.edu.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

Publicaciones similares