Aplicación Móvil (Sickcorn) en la dección de pucciniamsorghi (roya común) y spiroplasma kunkeli (puka puncho) en las plantas de maíz, Distrito de Talavera

• Autor: Leon Hurtado, Jhackelyn Esthefany
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad Nacional José María Arguedas
• Repositorio: UNAJMA-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unajma.edu.pe:20.500.14168/870
• Enlace del recurso: https://hdl.handle.net/20.500.14168/870
• Nivel de acceso: acceso abierto
• Materia: aplicación móvil,; red neuronal convolucional,; puccinia sorghi,; spiroplasma kunkeli.; http://purl.org/pe-repo/ocde/ford#2.02.04

La identificación de enfermedades en las plantas de maíz presenta un desafío para los productores, debido a la vasta cantidad de enfermedades existentes en el mundo agrícola. Sin embargo, en la actualidad es invaluable realizar un monitoreo constante a la producción para disminuir la afección de las enfermedades, por la carencia de herramientas tecnológicas que ayuden a realizar un monitoreo para una detección precisa a tiempo. Es ese sentido, el presente estudio propuso determinar la precisión de la aplicación móvil desarrollada para la identificación de Puccinia sorghi (roya común), Spiroplasma kunkeli (puka poncho), capturando las imágenes de las plantas de maíz afectadas utilizando la técnica de observación directa empleando una cámara de celular del modelo Samsung Galaxy M32 como instrumento para luego realizar la validación de los datos y el preprocesamiento en el cual se utilizó la técnica del histograma, el filtro gaussiano, el filtro de nitidez, segmentación con el algoritmo Canny y el resaltado HSV. La población de estudio estuvo compuesta de dos clases de enfermedades: Puccinia sorghi (roya común), Spiroplasma kunkeli (puka poncho) y planta sana. La cantidad de datos de la muestra fue 346 imágenes que tengan algunas de las afecciones en el distrito de Talavera. Con la finalidad de alcanzar este objetivo, se implementó un modelo de clasificación basado en redes neuronales convolucionales. El proceso incluyó varias etapas esenciales realizadas por la metodología fundamental para ciencia de datos de IMB, en la que se evaluó la arquitectura VGG16, MobilenetV2 y la implementada en CNN por el investigador con la finalidad de obtener el modelo que tenga mejores resultados para que se integren en la aplicación móvil desarrollada en Android Studio, demostrando la precisión de que está logrando un valor del 92.6% de precisión para la clase puccinia sorgui y 94.4% para la clase spiroplasma kunkeli; también se realizaron pruebas de calidad de la aplicación móvil por medio de la familia de la ISO/IEC 25000.