Detección de enfermedades y plagas en cultivos mediante Machine Learning

Título:

Detección de enfermedades y plagas en cultivos mediante Machine Learning

Autor:

Pereyra, Mauro Ezequiel

Otros autores / Colaboradores:

 Urbieta, Mario Matías; [ Director/a] 

Temas:

REDES NEURONALES; APRENDIZAJE AUTOMÁTICO; 

URL:

http://sedici.unlp.edu.ar/handle/10915/118496,

Palabras clave:

Cladosporium, Oidio, 

Nota de tesis:

Tesina (Licenciatura en Sistemas) - Universidad Nacional de La Plata. Facultad de Informática, 2020.

Extensión:

1 archivo (29,1 MB)

Resumen:

Las enfermedades y plagas en cultivos son una problemática que no sólo amenazan a la seguridad alimentaria mundial, sino que también generan grandes consecuencias económicas. Su detección temprana es un factor clave para conseguir erradicar o minimizar los perjuicios que pudiesen ocasionar . Considerando los avances en el Machine Learning (y en las Redes Neuronales en particular), la mejora en el hardware de los teléfonos móviles y el incremento en los accesos de la población a estos dispositivos, se propone el desarrollo de una plataforma cloud que posibilite la detección, en tiempo real, de enfermedades y plagas en cultivos a través de las cámaras de teléfono celular. La plataforma mencionada se basa en la composición de soluciones cloud existentes y gratuitas, y se encuentra diseñada para ser configurable, extensible y fácil de utilizar. Además, puede ser aplicada a cualquier dominio de interés ya que es genérica, lo que le permite ser entrenada para detectar cualquier objeto deseado.

Puede solicitar más fácilmente el ejemplar con: TES 20/21

1. Introducción
 1.1. Motivación 
1.2. Objetivo 
 1.3. Resultados esperados 
 2. Preliminares 
2.1. Introducción 
2.2. Machine Learning  
2.2.1. Tipos de Aprendizaje 
2.2.2. Tareas de Visión Artificial 
2.2.3. Evaluación de un modelo detector de objetos 
2.2.4. Uso de Machine Learning en la detección de enfermedades y plagas en cultivos 
2.3. Redes Neuronales Artificiales 
2.3.1. Funciones de activación 
2.3.2. Entrenamiento de la Red Neuronal 
2.4. Redes Neuronales Convolucionales 
2.4.1. Conceptos previos 
2.4.2. Arquitectura 
2.4.3. Capa de Convolución 
2.4.4. Capa ReLU 
2.4.5. Capa de Pooling 
2.4.6. Capa totalmente conectada 
2.4.7. Entrenamiento de la red 
3. Solución propuesta 
3.1. Diseño 
3.1.1. Armado del dataset de entrenamiento 
3.1.2. Entrenamiento 
3.1.3. Deploy del modelo TFLite 
3.1.4. Uso del modelo en la Aplicación Móvil 
 3.2. Uso de la plataforma para la detección de enfermedades y plagas en cultivos 
4. Conclusiones 
 5. Trabajos Futuros 
Bibliografía