Diseño y desarrollo de un sistema prototipo de diagnóstico de afecciones en plantas de cítricos utilizando procesamiento de imágenes y aprendizaje profundo

Metadata
Show full item recordDescription
Alrededor del mundo, la demanda de alimento crece con el paso del tiempo y Colombia cuenta con potencial para la producción de este. No obstante, las diferentes afecciones que aquejan los cultivos son un obstáculo para suplir esa demanda, especialmente en países en desarrollo, en los que más del 80% de los alimentos provienen de pequeños agricultores, quienes no suelen contar con los medios para hacer frente a este problema. El Valle del Cauca es una región que cuenta con condiciones para el cultivo de cítricos, los cuales además son de interés para las empresas del departamento. Con el fin de aprovechar estas condiciones, se deben generar soluciones que permitan una identificación temprana de enfermedades, plagas y deficiencias nutricionales, haciendo posible el tratamiento oportuno de estos problemas. En este trabajo de grado se presenta el diseño y desarrollo de un sistema prototipo de diagnóstico de afecciones en plantas de cítricos a partir de fotografías en el rango visible de las hojas de dichas plantas. La construcción de este sistema se basa en los campos del aprendizaje profundo y el procesamiento de imágenes: utilizando un modelo de red neuronal convolucional, para cuyo entrenamiento se aplican transferencia de aprendizaje y aumentado de datos, entre otras técnicas, se construye una aplicación móvil para dispositivos Android que permite la captura de fotografías con la cámara del dispositivo y la obtención de un diagnóstico sobre estas, con base en 7 categorías de afecciones distintas. La aplicación móvil permite además el almacenamiento de la información de marca de tiempo, geolocalización y porcentajes de pertenencia a cada categoría para los diagnósticos obtenidos, en un sistema de base de datos en la nube. Entre los resultados más relevantes del proyecto están la obtención de porcentajes de exactitud global de más del 90% al aplicar el modelo en conjunto con la técnica de rechazo por umbral sobre el conjunto de datos de prueba y el despliegue exitoso de dicho modelo en una aplicación móvil, con un tiempo de ejecución casi imperceptible para el usuario. Por otro lado, el diseño de la arquitectura está concebido de manera tal que sirve como base para otras soluciones en diversos dominios, en la medida que permite el entrenamiento de modelos de redes neuronales convolucionales para tareas de clasificación de imágenes y su despliegue en aplicaciones para Android de manera sencilla.Date
2019-06-21Department
Valle del CaucaCity
CaliKeywords
Facultad de IngenieríaPrograma de Ingeniería de Sistemas
Plantas
Cítricos
Afecciones
Detección
Redes neuronales convolucionales
Aprendizaje profundo
Deep learning
Android