Look-up in Google Scholar
Full metadata record
Tapia Martel, Jesus Brian (es_PE)
Gustavo Castro Castillo (es_PE)
Jose Miguel Villanueva Arteaga (es_PE)
Luis Alberto Castro De La Cruz (es_PE)
2024-08-20T12:40:30Z
2024-08-20T12:40:30Z
2024-04-29
http://hdl.handle.net/10757/675351
La agricultura en Perú enfrenta desafíos significativos debido a plagas y enfermedades, derivados en gran medida de limitaciones en el acceso a herramientas y tecnologías esenciales para monitorear y preservar la salud de los cultivos. Esta problemática se intensifica en un contexto global, especialmente ante el riesgo del fenómeno del Niño, que aumenta la necesidad de cuidado por parte de los agricultores. El presente estudio se enfoca en explorar diversos modelos de Deep Learning aplicados a un extenso conjunto de datos compuesto por fotografías de hojas de cultivo de tomate. Estas imágenes han sido meticulosamente categorizadas según el tipo de enfermedad y plaga que presentan. Además de este análisis, se examina detalladamente el costo de inversión del proyecto y se determina el punto de equilibrio necesario para su sostenibilidad a largo plazo. Un componente crucial de la investigación incluye un análisis exhaustivo de las ratios de precisión y pérdida obtenidos a través de la aplicación de estos modelos de Deep Learning. Este análisis no solo brinda insights valiosos sobre la eficacia de los modelos, sino que también sirve como base para una recomendación informada sobre la selección del modelo más adecuado para abordar las problemáticas específicas de los cultivos de tomate en el contexto agrícola peruano. En resumen, este estudio busca no solo comprender las complejidades de las enfermedades y plagas en los cultivos de tomate, sino también ofrecer soluciones prácticas respaldadas por análisis rigurosos y datos concretos.
Agriculture in Peru faces significant challenges due to pests and diseases, largely stemming from limitations in accessing essential tools and technologies for monitoring and preserving crop health. This issue is exacerbated in a global context, especially in the face of the El Niño phenomenon, which increases the need for care on the part of farmers. This study focuses on exploring various Deep Learning models applied to an extensive dataset consisting of photographs of tomato crop leaves. These images have been meticulously categorized according to the type of disease and pest they exhibit. In addition to this analysis, the project's investment cost is thoroughly examined, and the break-even point necessary for its long-term sustainability is determined. A crucial component of the research includes a comprehensive analysis of precision and loss ratios obtained through the application of these Deep Learning models. This analysis not only provides valuable insights into the effectiveness of the models but also serves as a basis for an informed recommendation on selecting the most suitable model to address the specific challenges of tomato crops in the Peruvian agricultural context. In summary, this study seeks not only to understand the complexities of diseases and pests in tomato crops but also to offer practical solutions backed by rigorous analysis and concrete data.
Trabajo de investigación (es_PE)
application/pdf (en_US)
application/epub (en_US)
application/msword (en_US)
spa (es_PE)
Universidad Peruana de Ciencias Aplicadas (UPC) (es_PE)
info:eu-repo/semantics/openAccess (es_PE)
http://creativecommons.org/licenses/by-nc-sa/4.0/ (*)
Universidad Peruana de Ciencias Aplicadas (UPC) (es_PE)
Repositorio Académico - UPC (es_PE)
Aprendizaje profundo
Agricultura
Infecciones de tomate
CNN
Transformación Visual
Deep learning
Agriculture
Tomato Infections
Visual Transformer
Detección de enfermedades y plagas en cultivos de tomate mediante el análisis de imágenes con Deep Learning (es_PE)
Disease and pest detection in tomato crops through image analysis using Deep Learning
info:eu-repo/semantics/masterThesis (es_PE)
Universidad Peruana de Ciencias Aplicadas (UPC). Escuela de Postgrado (es_PE)
Data Science (es_PE)
Maestría (es_PE)
Maestro en Data Science (es_PE)
PE (es_PE)
https://purl.org/pe-repo/ocde/ford#2.02.04
https://purl.org/pe-repo/renati/level#maestro (es_PE)
8570593
https://orcid.org/0000-0001-7416-1753 (es_PE)
46980661
46055887
41298706
10118564
Talavera Velásquez Oscar Reynaldo
Ayesta Castro Augusto Narciso
Vargas Cirilo Hernán Roger
https://purl.org/pe-repo/renati/type#trabajoDeInvestigacion (es_PE)
Privada societaria



This item is licensed under a Creative Commons License Creative Commons