Aplicativo Web para la Identificación de Deficiencia de Zinc en naranjos mediante Redes Neuronales Convolucionales

• Autor: Farfan Vergara, Shiane Lizceth
• Formato: tesis de grado
• Fecha de Publicación: 2021
• Institución: Universidad Peruana Unión
• Repositorio: UPEU-Tesis
• Lenguaje: español
• OAI Identifier: oai:repositorio.upeu.edu.pe:20.500.12840/5506
• Enlace del recurso: http://repositorio.upeu.edu.pe/handle/20.500.12840/5506
• Nivel de acceso: acceso abierto
• Materia: Convolución; Deficiencia; Identificación; Redes Neuronales; Zinc; http://purl.org/pe-repo/ocde/ford#2.02.04

La presente investigación nace con la intención de ofrecer como ayuda una herramienta de fácil uso a todos los citricultores que día a día velan por el cuidado de sus cultivos, dicha herramienta permitirá al usuario identificar la deficiencia de Zinc en los naranjos ya que esta deficiencia nutricional es un causante de una serie de daños a la planta en general reduciendo en gran manera su productividad. Para el desarrollo de la investigación, se utilizó la metodología CrispDM, así mismo se siguieron 4 etapas: 1) Adquisición de Imagen, 2) Preprocesamiento de Imagen, 3) Extracción de Características, 4) Reconocimiento; La identificación de la deficiencia fue realizada mediante Redes Neuronales Convolucionales (siglas en inglés - CNN), tomando como datos de entrenamiento imágenes de las hojas de los naranjos y para su clasificación e identificación, se hizo Transfer Learning haciendo reúso del modelo preentrenado VGG16. La aplicación de este proyecto fue realizada en una parcela ubicada en el distrito de Quellouno, Provincia La Convención, en el Departamento Cusco, en la cual se recopilo un DataSet de imágenes de hojas de naranjo de dicha zona, para después entrenarlos mediante el modelo VGG16 antes mencionado, el cual fue implementado en una interfaz web donde se realizó la identificación ingresando una imagen de hoja de naranjo cuyo resultado identifico si es una hoja sana o con deficiencia de zinc exitosamente contando con un 81.12% de precisión. El desarrollo de esta herramienta fue útil para el agricultor, ya que le permite tener un mejor control de sus cultivos frente a la deficiencia de zinc. Así mismo como trabajo futuro se propone añadir datos para cubrir mayor cantidad de deficiencias nutricionales e implementar un módulo de diagnóstico y tratamiento para cada una de ellas.