Siatema automático de clasificación del grado de severidad de la mancha anillada de frijol usando redes neuronales
dc.contributor.advisor | Barrero Pérez, Jaime Guillermo | |
dc.contributor.advisor | Garzón Gutierrez, Luz Nayibe | |
dc.contributor.author | Núñez Rodríguez, Lisbeth Lorena | |
dc.contributor.author | Reyes Velásquez, Samir | |
dc.date.accessioned | 2024-03-04T01:11:52Z | |
dc.date.available | 2021 | |
dc.date.available | 2024-03-04T01:11:52Z | |
dc.date.created | 2021 | |
dc.date.issued | 2021 | |
dc.description.abstract | Este proyecto presenta el entrenamiento de una red neuronal para clasificar los grados deseveridad de la enfermedad denominada mancha anillada en los foliolos de frijol. Se hace unadescripción general del frijol, de las principales características de la mancha anillada y la maneraen la que se realiza la evaluación de la severidad en los foliolos. Se desarrolló una base de datoscon los niveles de severidad según una escala diagramática de intervalos iguales, estos niveles seagruparon en las categorías de alta, baja y media para aumentar las fotos. Se identificaron lospatrones de la enfermedad en las imágenes de los foliolos a través de una arquitectura de redconvolucional CNN. Se probaron CNNs como ResNet50, MobileNet y MobilenetV2 previamenteentrenadas con las que se realizó transfer learning para obtener un modelo con menosparámetros, menos tiempo de entrenamiento, brindando mejores resultados que con una redcreada desde cero y aplicando conceptos tales como forward and backward propagation,funciones de activación e hiperparámetros se logró la clasificación de las tres categorías. Elentrenamiento, validación y pruebas de la red se realizaron en los cuadernos de Jupyter delentorno gratuito de Google Colaboratory. Se lograron precisiones del 63,8% con una red desdecero, 77,1% con la técnica de transfer learning y finetune a la red MobileNetV2 y un 91,3%usando el framework aXeleRate. El uso de los sistemas embebidos como la Maixduinopermitieron ver limitaciones de memoria RAM y deficiencia en tiempos de ejecución como en laRaspberry Pi 2 que obtuvo un tiempo promedio de ejecución para evaluar un foliolo de 771,98 mspues no está diseñada especificamente para aplicaciones IA. | |
dc.description.abstractenglish | This project presents the training of a neural network to classify the grades of severity of the ringspot in bean leaflets. A general description of beans, a general description of the bean, the maincharacteristics of the ring spot and the way in which the evaluation of the severity in the leaflets iscarried out. A database was developed with severity levels according to a diagrammatic scale ofequal intervals, these levels were grouped in the categories of high, low and medium to increasethe photos. Disease patterns in leaflet images were identified through a convolutional networkarchitecture CNN. Previously trained CNNs such as ResNet50, MobileNet and MobilenetV2 weretested and transfer learning was performed to obtain a model with fewer parameters, less trainingtime, providing better results than with a network created from scratch and applying conceptssuch as forward and backward propagation, activation functions and hyper parameters, theclassification of the three categories was achieved. The training, validation and testing of thenetwork were carried out in Jupyter's notebooks in the free Google Colaboratory environment.Accuracies of 63.8% were achieved with a network from zero, 77.1% with the transfer learningand finetune technique to the MobileNetV2 network and 91.3% using the aXeleRate framework.The use of embedded systems such as Maixduino allowed to see RAM memory limitations andruntime deficiencies as in the Raspberry Pi 2 which obtained an average runtime to evaluate aleaflet of 771.98 ms because it is not specifically designed for AI applications. | |
dc.description.degreelevel | Pregrado | |
dc.description.degreename | Ingeniero Electrónico | |
dc.format.mimetype | application/pdf | |
dc.identifier.instname | Universidad Industrial de Santander | |
dc.identifier.reponame | Universidad Industrial de Santander | |
dc.identifier.repourl | https://noesis.uis.edu.co | |
dc.identifier.uri | https://noesis.uis.edu.co/handle/20.500.14071/40967 | |
dc.language.iso | spa | |
dc.publisher | Universidad Industrial de Santander | |
dc.publisher.faculty | Facultad de Ingenierías Fisicomecánicas | |
dc.publisher.program | Ingeniería Electrónica | |
dc.publisher.school | Escuela de Ingenierías Eléctrica, Electrónica y Telecomunicaciones | |
dc.rights | http://creativecommons.org/licenses/by/4.0/ | |
dc.rights.accessrights | info:eu-repo/semantics/openAccess | |
dc.rights.creativecommons | Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0) | |
dc.rights.license | Attribution-NonCommercial 4.0 International (CC BY-NC 4.0) | |
dc.rights.uri | http://creativecommons.org/licenses/by-nc/4.0 | |
dc.subject | Entrenamiento | |
dc.subject | Identificación | |
dc.subject | Fitopatología. | |
dc.subject.keyword | Training | |
dc.subject.keyword | Identification | |
dc.subject.keyword | Phytopathology. | |
dc.title | Siatema automático de clasificación del grado de severidad de la mancha anillada de frijol usando redes neuronales | |
dc.title.english | Automatic system for classifying the degree of severity of Ascochyta blight of commonbean using neural networks | |
dc.type.coar | http://purl.org/coar/version/c_b1a7d7d4d402bcce | |
dc.type.hasversion | http://purl.org/coar/resource_type/c_7a1f | |
dc.type.local | Tesis/Trabajo de grado - Monografía - Pregrado |
Files
Original bundle
1 - 3 of 3
No Thumbnail Available
- Name:
- Carta de autorización.pdf
- Size:
- 119.22 KB
- Format:
- Adobe Portable Document Format
No Thumbnail Available
- Name:
- Nota de proyecto.pdf
- Size:
- 70.07 KB
- Format:
- Adobe Portable Document Format