Prototipo móvil funcional para estimar la producción de cacao, haciendo uso de aprendizaje profundo y visión por computador

Vista sencilla de ítem
dc.contributor.authorParra Muñoz, Cristian David
dc.contributor.authorHernández Flórez, Lisseth Andrea
dc.contributor.authorCala Pinzón, Karol Daniela
dc.contributor.cvlacParra Muñoz, Cristian David [0001784556]spa
dc.contributor.researchgroupSemilleros de Investigación UNABspa
dc.coverage.campusUNAB Campus Bucaramangaspa
dc.coverage.spatialBucaramanga (Santander, Colombia)spa
dc.coverage.temporal2021spa
dc.date.accessioned2023-07-06T14:36:48Z
dc.date.available2023-07-06T14:36:48Z
dc.date.issued2021-11
dc.description.abstractLa detección de objetos aplicada en la agricultura es importante para estimar la producción de un cultivo lo que favorece la certeza en la toma de decisiones por parte de un agricultor. Por consiguiente, el presente proyecto presenta el diseño y desarrollo de una aplicación móvil funcional capaz de estimar la producción de cacao, implementando técnicas de visión por computador y aprendizaje profundo. La aplicación planteada hace uso de una cámara de un dispositivo móvil Android. Asimismo, los elementos presentes en el sistema consideran un modelo aprendizaje de máquina entrenado, un conjunto de datos, y tecnologías que apoyan el proceso de desarrollo de software. Los resultados obtenidos dejan la evaluación de 8 modelos, donde se determina la incidencia de variables asociadas al balanceo sobre la precisión en la detección. Finalmente, el mejor modelo obtiene un mAP de 80.09%, y se logra desarrollar una aplicación móvil que funciona como un sistema de alerta temprana.spa
dc.description.abstractenglishThis project presents the design and development of a functional mobile application capable of estimating cocoa production based on computer vision and deep learning techniques. Object detection in agriculture is essential to estimate production in a crop because it increases the confidence in decision-making by a farmer. This work performs cocoa pods estimation considering three sanitary labels, Monilia, Phytophthora, or completely healthy. The following application implements an Android mobile device camera. The elements existing in the system contain an object detection model, a dataset, and technologies that support the software development process. This work addresses a literature review to explore techniques, technologies, and metrics associated with computer vision. Subsequently, a selection of an image dataset is made to train a deep learning model, setting up parameters and hyperparameters. Consequently, a design and development of a mobile prototype are proposed to detect, classify, and localize cocoa pods with their respective health status. It returns the estimated value of production given in kilograms of dry cocoa beans, considering the variety indicated by the user. The results show the evaluation of 8 models, where the best one obtains a mAP of 80.09%, and the incidence of variables associated with the balancing on the accuracy is determined.spa
dc.description.learningmodalityModalidad Presencialspa
dc.format.mimetypeapplication/pdfspa
dc.identifier.instnameinstname:Universidad Autónoma de Bucaramanga - UNABspa
dc.identifier.issnISSN 2344-7079spa
dc.identifier.reponamereponame:Repositorio Institucional UNABspa
dc.identifier.repourlrepourl:https://repository.unab.edu.cospa
dc.identifier.urihttp://hdl.handle.net/20.500.12749/20452
dc.language.isospaspa
dc.publisher.deparmentSistema de Investigación SIUNABspa
dc.publisher.facultyFacultad Ingenieríaspa
dc.publisher.grantorUniversidad Autónoma de Bucaramanga UNABspa
dc.publisher.programPregrado Ingeniería de Sistemasspa
dc.relation.ispartofseriesGeneración Creativa : Encuentro de Semilleros de Investigación UNABspa
dc.relation.referencesAlexeyAB/darknet: YOLOv4 / Scaled-YOLOv4 / YOLO - Neural Networks for Object Detection (Windows and Linux version of Darknet). (2020). Retrieved May 5, 2021, from https://github.com/AlexeyAB/darknetspa
dc.relation.referencesBuzzy, M., Thesma, V., Davoodi, M., & Velni, J. M. (2020). Real-Time Plant Leaf Counting Using Deep Object Detection Networks. Sensors 2020, Vol. 20, Page 6896, 20(23), 6896. https://doi.org/10.3390/S20236896spa
dc.relation.referencesFAOSTAT. (n.d.). Retrieved April 13, 2021, from http://www.fao.org/faostat/en/#data/QC /metadataspa
dc.relation.referencesFedecacao. (2005). CARACTERIZACIÓN FISÍCOQUÍMICA Y BENEFICIO DEL GRANO DE CACAO (Theobroma cacao L.) EN COLOMBIA. https://www.fedecacao.com.co/portal/i mages/recourses/pub_doctecnicos/fe decacao-pub-doc_09B.pdfspa
dc.relation.referencesSerrano, S., & Heredia Gómez, J. F. (2020). Cocoa Diseases (YOLOv4). https://www.kaggle.com/serranosebas/e nfermedades-cacao-yolov4spa
dc.relation.referencesKoirala, A., Walsh, K. B., Wang, Z., & McCarthy, C. (2019). Deep learning for real-time fruit detection and orchard fruit load estimation: benchmarking of ‘MangoYOLO.’ Precision Agriculture, 20(6), 1107–1135. https://doi.org/10.1007/s11119- 019-09642-0spa
dc.relation.referencesVasconez, J. P., Delpiano, J., Vougioukas, S., & Auat Cheein, F. (2020). Comparison of convolutional neural networks in fruit detection and counting: A comprehensive evaluation. Computers and Electronics in Agriculture, 173, 105348. https://doi.org/10.1016/J.COMPAG.2020.10534 8spa
dc.relation.referencesZhou, Z., Song, Z., Fu, L., Gao, F., Li, R., & Cui, Y. (2020). Real-time kiwifruit detection in orchard using deep learning on AndroidTM smartphones for yield estimation. Computers and Electronics in Agriculture, 179, 105856. https://doi.org/10.1016/j.compag.2020.105856spa
dc.relation.urihttp://hdl.handle.net/20.500.12749/20335spa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 2.5 Colombia*
dc.rights.localAbierto (Texto Completo)spa
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/2.5/co/*
dc.sourceParra, C. D., Hernández, L. A. & Cala, K. D. (2021). Prototipo móvil funcional para estimar la producción de cacao, haciendo uso de aprendizaje profundo y visión por computador. Recuperado de: http://hdl.handle.net/20.500.12749/20452.spa
dc.subject.keywordsTelematicsspa
dc.subject.keywordsInformation systemsspa
dc.subject.keywordsSoftware engineeringspa
dc.subject.keywordsInvestigationspa
dc.subject.keywordsTheobroma cacaospa
dc.subject.keywordsObject detectionspa
dc.subject.keywordsCountspa
dc.subject.keywordsEstimatespa
dc.subject.keywordsProductionspa
dc.subject.lembTelemáticaspa
dc.subject.lembSistemas de informaciónspa
dc.subject.lembIngeniería de softwarespa
dc.subject.lembInvestigaciónspa
dc.subject.proposalTheobroma cacaospa
dc.subject.proposalDetección de objetosspa
dc.subject.proposalConteospa
dc.subject.proposalEstimaciónspa
dc.subject.proposalProducciónspa
dc.titlePrototipo móvil funcional para estimar la producción de cacao, haciendo uso de aprendizaje profundo y visión por computadorspa
dc.title.translatedFunctional mobile prototype to estimate production of cacao, making use of deep learning and computer visionspa
dc.typeConferenceeng
dc.type.coarhttp://purl.org/coar/resource_type/c_f744
dc.type.coarversionhttp://purl.org/coar/version/c_ab4af688f83e57aaspa
dc.type.driverinfo:eu-repo/semantics/conferenceProceedingsspa
dc.type.hasversioninfo:eu-repo/semantics/acceptedVersionspa
dc.type.localMemoria de eventosspa
dc.type.redcolhttp://purl.org/redcol/resource_type/EC_AC

Archivos

Bloque original

Mostrando 1 - 1 de 1
Miniatura
Nombre:
2021_Articulo_Cala_Pinzon_Karol_Daniela.pdf
Tamaño:
1.1 MB
Formato:
Adobe Portable Document Format
Descripción:
Artículo
Descargar

Bloque de licencias

Mostrando 1 - 1 de 1
Miniatura
Nombre:
license.txt
Tamaño:
829 B
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar

Colecciones

Memoria de eventos: Generación Creativa. Encuentro de Semilleros de Investigación UNAB