Citas bibligráficas
Punzel, R., Huaytan, C. (2023). AgroMedic - detección y tratamiento de enfermedades en la planta del maíz [Universidad de Lima]. https://hdl.handle.net/20.500.12724/17727
Punzel, R., Huaytan, C. AgroMedic - detección y tratamiento de enfermedades en la planta del maíz []. PE: Universidad de Lima; 2023. https://hdl.handle.net/20.500.12724/17727
@misc{sunedu/3371034,
title = "AgroMedic - detección y tratamiento de enfermedades en la planta del maíz",
author = "Huaytan Suazo, Cyntia Caterine",
publisher = "Universidad de Lima",
year = "2023"
}
La agricultura a nivel mundial se enfrenta a múltiples retos: tiene que producir más alimentos a fin de alimentar a una población creciente, adoptar métodos de producción más eficaces y sostenibles. Este es un sector importante de la economía del Perú, representa el 3.7 % del PBI. Sin embargo; solo el 10% de los productores reciben apoyo técnico o capacitación. Adicionalmente, hay una falta de ingenieros agrónomos en las provincias, por lo cual no es posible que puedan cubrir las necesidades y apoyo en la detección a tiempo de enfermedades en sus cultivos, por eso nuestro proyecto surge a partir de la falta de iniciativas tecnológicas en el sector agrario. Se realizó un análisis de mercado en el distrito de San Jerónimo de Tunán, que nos dio como resultado la carencia de apoyo económico y capacitaciones agrarias en los pequeños agricultores del maíz. Se aplicó la Metodología Design Thinking, en la primera etapa se empatizó con el agricultor a través de entrevistas, luego se realizó los filtros para encontrar patrones en común, en la tercera etapa surgieron nuevas ideas de solución, por último, se realizó el MVP lo cual nos permitió la detección en tres tipos de plagas y/o enfermedades del maíz La implementación de la solución se ha basado en el algoritmo de Redes Neuronales Convolucionales; considerando las siguientes enfermedades y/o plagas; tizón de la hoja, roya común y mancha gris de la hoja. Parte del proceso de validación del prototipo se realizó con distintas pruebas, desde valores aleatorios de imágenes hasta capturas reales con un dispositivo móvil Android; logrando resultados del 91,82 % de precisión en las pruebas de validación. Por consiguiente, los beneficiarios de la solución, pudieron utilizar esta herramienta demostrando su facilidad de uso y realizando detecciones de las enfermedades mencionadas en sus cultivos del maíz.
IMPORTANTE
La información contenida en este registro es de entera responsabilidad de la universidad, institución o escuela de educación superior que administra el repositorio académico digital donde se encuentra el trabajo de investigación y/o proyecto, los cuales son conducentes a optar títulos profesionales y grados académicos. SUNEDU no se hace responsable por los contenidos accesibles a través del Registro Nacional de Trabajos de Investigación – RENATI.