Browsing by Author "Zambrano Monserrate , Dennisse Paola"

Now showing 1 - 1 of 1
  • Thumbnail Image
    ItemOpen Access
    Desarrollo de una aplicación móvil para la detección temprana de plagas en cultivos de maíz (zea mays l.) Empleando técnicas de visión artificial basada en aprendizaje profundo.
    (Quevedo:UTEQ, 2024) Zambrano Monserrate , Dennisse Paola; Zambrano Vega , Cristian Gabriel
    La detección temprana de plagas en cultivos de maíz (Zea mays L.) representa un desafío crítico para la agricultura, afectando directamente la productividad, calidad de los cultivos, y seguridad alimentaria. Con el avance de la tecnología, las técnicas de visión artificial y aprendizaje profundo emergen como soluciones prometedoras a esta problemática. Es por ello, que en el presente proyecto se desarrolló la aplicación móvil “PlagaScan” la cual permite la detección de plagas en el cultivo de maíz y brinda soporte en el diagnóstico para agricultores inexpertos con dificultades al identificar plagas en sus cultivos. La aplicación móvil ofrece tres funcionalidades principales: diagnóstico de plagas en tiempo real, diagnóstico mediante imágenes cargadas desde la galería y control de plagas proporcionando información relevante sobre posibles métodos de control o tratamiento para la plaga identificada. Los diagnósticos son generados por un modelo computacional de aprendizaje profundo basado en la arquitectura de la red neuronal convolucional MobileNet-v2, el cual ha sido entrenado y validado con un total de 750 imágenes previamente preparadas y preprocesadas. Este modelo está diseñado para detectar cinco tipos de plagas: gallina ciega, gusano trozado, gusano alambre, grillotopos y gusano lepidóptero. Durante el entrenamiento del modelo, se realizaron ajustes en los hiperparámetros, incluyendo un tamaño de lote de 16 y un entrenamiento durante 150 épocas. Para el desarrollo de la aplicación, se optó por la metodología Mobile-D, diseñada específicamente para el desarrollo de aplicaciones móviles. La aplicación brinda un rendimiento muy alto, con un 56.42% de precisión en los diagnósticos, lo que la convierte en una herramienta útil para agricultores con poca experiencia en la detección de plagas en el maíz.