Detalles MARC
000 -CABECERA |
Campo de control de longitud fija |
04078nam a22003737a 4500 |
003 - IDENTIFICADOR DEL NÚMERO DE CONTROL |
Campo de control |
EC-UrYT |
005 - FECHA Y HORA DE LA ÚLTIMA TRANSACCIÓN |
Campo de control |
20221206000925.0 |
008 - CÓDIGOS DE INFORMACIÓN DE LONGITUD FIJA |
Campo de control de longitud fija |
150116t9999 mx r gr 000 0 spa d |
040 ## - FUENTE DE LA CATALOGACIÓN |
Centro transcriptor |
EC-UrYT |
041 ## - CÓDIGO DE LENGUA |
Código de lengua del texto/banda sonora o título independiente |
eng |
Código de lengua del sumario o resumen |
spa |
100 1# - PUNTO DE ACCESO PRINCIPAL - NOMBRE DE PERSONA |
9 (RLIN) |
12710 |
Nombre de persona |
Caluña Chicaiza, Giovanny Eduardo |
Término indicativo de función |
autor |
245 10 - MENCIÓN DE TÍTULO |
Título |
Classification of leaf diseases in plants applying Deep Learning Techniques / |
Mención de responsabilidad etc. |
Giovanny Eduardo Caluña Chicaiza; tutor Lorena de los Angeles Guachi Guachi |
264 #4 - PRODUCCIÓN, PUBLICACIÓN, DISTRIBUCIÓN, FABRICACIÓN Y COPYRIGHT |
Lugar de producción |
Urcuquí, |
Fecha de producción |
2020 |
300 ## - DESCRIPCIÓN FÍSICA |
Extensión |
99 hojas : |
Otras características físicas |
ilustraciones (algunas a color) ; |
Dimensiones |
30 cm + |
Material anejo |
1 CD-ROM |
502 ## - NOTA DE TESIS |
Nota de tesis |
Trabajo de integración curricular |
Tipo de título |
(Ingeniero/a en Tecnologías de la Información) |
Nombre de la institución que otorga el título |
Universidad de Investigación de Tecnología Experimental Yachay. |
Ciudad de la institución que otorga el título |
Urcuquí, |
Año de obtención del título |
2020. |
504 ## - NOTA DE BIBLIOGRAFÍA; ETC. |
Nota de bibliografía etc. |
Incluye referencias bibliográficas (páginas 81-89) |
506 ## - NOTA DE RESTRICCIONES AL ACCESO |
Limitaciones de acceso |
Trabajo de integración curricular con acceso abierto |
516 ## - NOTA DE TIPO DE ARCHIVO DE ORDENADOR O DE DATOS |
Nota de tipo de archivo de ordenador o de datos |
Texto (Hypertexto Links) |
520 ## - NOTA DE SUMARIO; ETC. |
Sumario etc. |
Una de las principales preocupaciones de los agricultores es la detección temprana de enfermedades en sus cultivos. Sin embargo, supervisar los cultivos extendidos manualmente por los agricultores es una tarea extensa y tediosa. En relación con este objetivo y para proporcionar una solución automática y eficiente, este trabajo se centra en el análisis y la búsqueda de un método óptimo para la creación de un sistema automático informático que sea capaz de detectar plagas y enfermedades en las hojas de las plantas mediante la clasificación automática de imágenes. En este trabajo, se realizó una revisión del estado del arte de las técnicas para la clasificación automática de enfermedades e imágenes de plantas en general. Después de la revisión, se eligió el método más óptimo, el Aprendizaje Profundo (AP) y específicamente las Redes Neuronales Convolucionales (RNC). Actualmente hay muchas arquitecturas de RNC y sus variaciones disponibles, por lo que las más relevantes se seleccionaron después de un estudio de comparación realizado entre los modelos de RNC más destacados en la literatura. Por lo tanto, se obtuvieron cinco redes que destacan por su precisión, costo computacional, número de capas y parámetros. Son Inception 3, GoogLeNet, ZFNet, ResNet 50 y ResNet 101. Las arquitecturas seleccionadas fueron entrenadas y probadas con un conjunto de datos de 13k imágenes de hojas sanas y no saludables obtenidas de Plant Village [1]. Para probar el comportamiento y el rendimiento de los modelos en un entorno realista y, además, para ayudar al entrenamiento y la precisión, se realizaron diferentes experimentos en el conjunto de datos, así como en los hiperparámetros de los modelos. Una vez que se llevaron a cabo los experimentos y se analizaron y compararon los resultados, se obtuvo la RNC ZFnet como la opción más apropiada debido a su eficiencia en términos de costo computacional y nivel de precisión. ZFnet alcanzo una precisión del 91 % con los datos sin procesar y del 93 % después del preprocesamiento de datos y el ajuste. En el tiempo de entrenamiento y despliegue, ZFnet pudo realizar 10 iteraciones de entrenamiento en 2 segundos y desplegar 10 imágenes al mismo tiempo muy por debajo de los otros modelos evaluados en este trabajo. |
546 ## - NOTA DE LENGUA |
Nota de lengua |
Textos en inglés con resúmenes en español e inglés |
650 #0 - PUNTO DE ACCESO ADICIONAL DE MATERIA - TÉRMINO DE MATERIA |
9 (RLIN) |
11247 |
Término de materia o nombre geográfico como elemento inicial |
Deep learning |
650 #0 - PUNTO DE ACCESO ADICIONAL DE MATERIA - TÉRMINO DE MATERIA |
9 (RLIN) |
12711 |
Término de materia o nombre geográfico como elemento inicial |
Convolutionary Neural Networks |
650 #0 - PUNTO DE ACCESO ADICIONAL DE MATERIA - TÉRMINO DE MATERIA |
9 (RLIN) |
12712 |
Término de materia o nombre geográfico como elemento inicial |
Image classification |
650 #0 - PUNTO DE ACCESO ADICIONAL DE MATERIA - TÉRMINO DE MATERIA |
9 (RLIN) |
12693 |
Término de materia o nombre geográfico como elemento inicial |
Aprendizaje profundo |
650 #0 - PUNTO DE ACCESO ADICIONAL DE MATERIA - TÉRMINO DE MATERIA |
9 (RLIN) |
12692 |
Término de materia o nombre geográfico como elemento inicial |
Redes neuronales convolucionales |
650 #0 - PUNTO DE ACCESO ADICIONAL DE MATERIA - TÉRMINO DE MATERIA |
9 (RLIN) |
12713 |
Término de materia o nombre geográfico como elemento inicial |
Clasificación de imágenes |
650 #0 - PUNTO DE ACCESO ADICIONAL DE MATERIA - TÉRMINO DE MATERIA |
9 (RLIN) |
12714 |
Término de materia o nombre geográfico como elemento inicial |
Datos en bruto |
650 #0 - PUNTO DE ACCESO ADICIONAL DE MATERIA - TÉRMINO DE MATERIA |
9 (RLIN) |
3891 |
Término de materia o nombre geográfico como elemento inicial |
Tecnologías de la Información |
Subdivisión de forma |
Trabajos y disertaciones académicas |
700 1# - PUNTO DE ACCESO ADICIONAL - NOMBRE DE PERSONA |
9 (RLIN) |
11296 |
Nombre de persona |
Guachi Guachi, Lorena de los Ángeles |
Término indicativo de función |
tutor |
710 1# - PUNTO DE ACCESO ADICIONAL - NOMBRE DE ENTIDAD |
Nombre de entidad o nombre de jurisdicción como elemento inicial |
Universidad de Investigación de Tecnología Experimental Yachay. |
Unidad subordinada |
Escuela de Ciencias Matemáticas Computacionales |
9 (RLIN) |
11232 |
856 ## - LOCALIZACIÓN Y ACCESO ELECTRÓNICOS |
Nota pública |
Ver recurso |
Identificador Uniforme del Recurso (URI) |
http://repositorio.yachaytech.edu.ec/handle/123456789/151 |
942 ## - ENTRADA PARA ELEMENTOS AGREGADOS (KOHA) |
Fuente de clasificación o esquema de ordenación en estanterías |
Clasificación Decimal Dewey |
Koha [por defecto] tipo de item |
Tesis |