Evaluación del uso de métodos de Machine Learning para la determinación del porcentaje de germinación en conidios de moho gris (Botrytis Cinerea)

El objetivo principal de este proyecto de tesis era desarrollar un software basado en técnicas de visión artificial con el fin de determinar el porcentaje de germinación de conidios del moho gris. El conteo directo de conidios es una práctica comúnmente utilizada en la investigación científica y la...

Full description

Autores:
Pérez Carmona , Andrea
Sajona M. , Angélica María
Tipo de recurso:
Fecha de publicación:
2023
Institución:
Politécnico Colombiano Jaime Izasa Cadavid
Repositorio:
ICARUS
Idioma:
spa
OAI Identifier:
oai:repositorio.elpoli.edu.co:123456789/8627
Acceso en línea:
https://repositorio.elpoli.edu.co/handle/123456789/8627
Palabra clave:
Aprendizaje automático (Inteligencia artificial). Visión artificial. Radiación ultravioleta.
Rights
License
http://creativecommons.org/licenses/by-nc/4.0/
Description
Summary:El objetivo principal de este proyecto de tesis era desarrollar un software basado en técnicas de visión artificial con el fin de determinar el porcentaje de germinación de conidios del moho gris. El conteo directo de conidios es una práctica comúnmente utilizada en la investigación científica y la industria agrícola para evaluar la eficacia de los fungicidas y conocer el grado de germinación. No obstante, este proceso solía ser lento y laborioso, requiriendo un esfuerzo considerable por parte de los investigadores. La solución tecnológica propuesta tenía como objetivo proporcionar una herramienta ágil y sencilla para obtener información precisa sobre el porcentaje de germinación del moho gris. Al agilizar el proceso de conteo y análisis de los conidios, se reduciría considerablemente el tiempo requerido para evaluar la eficacia de los fungicidas, además de facilitar el desarrollo de técnicas de control de hongos más efectivas. Esto generaría beneficios tanto en el ámbito de la investigación científica como en la industria agrícola, donde la eficiencia y la precisión son fundamentales para garantizar la salud de los cultivos y mejorar la productividad. En este proyecto, se utilizó una cámara de microscopia para capturar imágenes de los conidios en alta resolución. Estas imágenes fueron posteriormente procesadas e interpretadas mediante algoritmos de machine learning, lo que permitió automatizar el conteo de conidios y calcular de manera precisa el porcentaje de germinación. Para llevar a cabo este análisis, se emplearon software y librerías de uso libre que facilitaron la implementación y optimización del sistema. Además, se incorporaron técnicas de radiación UVC para modificar el porcentaje de germinación en los conidios antes de su análisis con el software. Esta variación controlada permitió realizar pruebas eficientes y sistemáticas, evaluando diferentes escenarios de germinación y obteniendo resultados comparables. De esta manera, se pudo analizar la efectividad de los algoritmos de machine learning de manera más rápida y precisa que el método tradicional