Detección de Plagas y Enfermedades en los Cultivos de Maíz Utilizando Procesamiento de Imágenes con Redes Neuronales, en el Distrito de Cascas La Libertad, Año 2022

• Autores: Cipra Salinas, Edder Pier, Rodríguez Alva, Carlos Jhampiere
• Formato: tesis de grado
• Fecha de Publicación: 2023
• Institución: Universidad Privada Antenor Orrego
• Repositorio: UPAO-Tesis
• Lenguaje: español
• OAI Identifier: oai:repositorio.upao.edu.pe:20.500.12759/14671
• Enlace del recurso: https://hdl.handle.net/20.500.12759/14671
• Nivel de acceso: acceso abierto
• Materia: Convolución; Sobre Ajuste; https://purl.org/pe-repo/ocde/ford#2.02.04

Los agricultores en el Distrito de Cascas no cuentan con un procedimiento que les ayude a prevenir o a detectar a tiempo el tipo de plaga o enfermedad que ataca sus cultivos de maíz. La presente tesis tiene como objetivo principal, entrenar y evaluar 4 modelos con redes neuronales como ResNet50. EfficientNetVB0, MobileNetV2 y DenseNet201. Para ello se recopilaron un conjunto de imágenes, las que se clasificaron en; imágenes de Tizón de la Hoja de Maíz (Blight), Roya Común (Common Rust), Gusano (Armyworm), y plantas con Hojas sanas (Healthy). Luego se procedió agruparlos una vez más como imágenes de entrenamiento, validación y prueba. Para el desarrollo se aplicaron técnicas de aumentación, filtros, funciones. Con el objetivo de mejorar el aprendizaje de los modelos de redes neuronales. Luego se procede a medir que tan precisos son los modelos. Se realiza pruebas con hojas de Maíz con Gusano, Roya Común, Tizón de la Hoja de Maíz y sanas. Donde se obtuvo como resultado que el mejor modelo en términos de rendimiento es el DenseNet201. En el caso de la Plaga Gusano tiene una precisión de 0.97 que pertenece a esa categoría. Para Roya Común con 0.95 de precisión. Tizón de la Hoja al 0.98 de precisión. Saludable 0.73 de precisión. Recalcando que son imágenes desconocidas para los modelos. Para comprobar la certeza de los modelos se utilizó la matriz de confusión que mide que tan acertados son sus predicciones de cada modelo. Dando a MobileNetV2 como el modelo que tiene un mejor acierto con respecto a los demás modelos con un 99% de certeza. Mientras el entrenamiento tenga un gran número de imágenes, filtros, técnicas y funciones adecuadas. Un modelo puede llegar a dar resultados que ayuden a tomar mejores decisiones por sus niveles de precisión que pueden llegar a obtener.