Entrenamiento de redes neuronales para la identificación de plagas en cultivos de café.

En este documento se encuentra el desarrollo de una aplicación para Android usando redes neuronales por medio de la librería de código abierto TensorFlow con el fin de identificar plagas en las hojas del café. Para lograr el entrenamiento de la red neuronal, se han tomado como referencia bases de da...

Full description

Autores:
Avila Perez, Gustavo Adolfo
Tipo de recurso:
Trabajo de grado de pregrado
Fecha de publicación:
2022
Institución:
Universidad Pedagógica Nacional
Repositorio:
Repositorio Institucional UPN
Idioma:
spa
OAI Identifier:
oai:repository.pedagogica.edu.co:20.500.12209/18306
Acceso en línea:
http://hdl.handle.net/20.500.12209/18306
Palabra clave:
Aprendizaje de máquina
Procesamiento de imagen
Identificación plagas
Python
Redes neuronales
Machine learning
Image processing
Pest identification
Python
Neural networks
Rights
openAccess
License
https://creativecommons.org/licenses/by-nc-nd/4.0/
id RPEDAGO2_22cce0d04f832395f5bae60188fa98d1
oai_identifier_str oai:repository.pedagogica.edu.co:20.500.12209/18306
network_acronym_str RPEDAGO2
network_name_str Repositorio Institucional UPN
repository_id_str
dc.title.spa.fl_str_mv Entrenamiento de redes neuronales para la identificación de plagas en cultivos de café.
dc.title.translated.eng.fl_str_mv Training of neural networks for the identification of pests in coffee crops.
title Entrenamiento de redes neuronales para la identificación de plagas en cultivos de café.
spellingShingle Entrenamiento de redes neuronales para la identificación de plagas en cultivos de café.
Aprendizaje de máquina
Procesamiento de imagen
Identificación plagas
Python
Redes neuronales
Machine learning
Image processing
Pest identification
Python
Neural networks
title_short Entrenamiento de redes neuronales para la identificación de plagas en cultivos de café.
title_full Entrenamiento de redes neuronales para la identificación de plagas en cultivos de café.
title_fullStr Entrenamiento de redes neuronales para la identificación de plagas en cultivos de café.
title_full_unstemmed Entrenamiento de redes neuronales para la identificación de plagas en cultivos de café.
title_sort Entrenamiento de redes neuronales para la identificación de plagas en cultivos de café.
dc.creator.fl_str_mv Avila Perez, Gustavo Adolfo
dc.contributor.advisor.none.fl_str_mv Martínez Vásquez, David Alejandro
dc.contributor.author.none.fl_str_mv Avila Perez, Gustavo Adolfo
dc.subject.spa.fl_str_mv Aprendizaje de máquina
Procesamiento de imagen
Identificación plagas
Python
Redes neuronales
topic Aprendizaje de máquina
Procesamiento de imagen
Identificación plagas
Python
Redes neuronales
Machine learning
Image processing
Pest identification
Python
Neural networks
dc.subject.keywords.eng.fl_str_mv Machine learning
Image processing
Pest identification
Python
Neural networks
description En este documento se encuentra el desarrollo de una aplicación para Android usando redes neuronales por medio de la librería de código abierto TensorFlow con el fin de identificar plagas en las hojas del café. Para lograr el entrenamiento de la red neuronal, se han tomado como referencia bases de datos con imágenes de plagas de Cercospora, Phoma, Roya Minador de hojas y Arañita roja para así lograr la identificación. El proceso de programación para el entrenamiento y la identificación de patrones se hizo en lenguaje Python, usando los entornos de desarrollo anaconda y Jupyter Notebook. Por otra parte, la aplicación para Android se desarrolló en Java, usando el entrono Android Studio, en el cual se importó la librería TensorFlow Lite.
publishDate 2022
dc.date.issued.none.fl_str_mv 2022
dc.date.accessioned.none.fl_str_mv 2023-03-09T16:37:50Z
dc.date.available.none.fl_str_mv 2023-03-09T16:37:50Z
dc.type.spa.fl_str_mv info:eu-repo/semantics/bachelorThesis
dc.type.local.spa.fl_str_mv Tesis/Trabajo de grado - Monografía - Pregrado
dc.type.coar.eng.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
dc.type.driver.eng.fl_str_mv info:eu-repo/semantics/bachelorThesis
format http://purl.org/coar/resource_type/c_7a1f
dc.identifier.uri.none.fl_str_mv http://hdl.handle.net/20.500.12209/18306
dc.identifier.instname.spa.fl_str_mv instname:Universidad Pedagógica Nacional
dc.identifier.reponame.spa.fl_str_mv reponame:Repositorio Institucional de la Universidad Pedagógica Nacional
dc.identifier.repourl.none.fl_str_mv repourl: http://repositorio.pedagogica.edu.co/
url http://hdl.handle.net/20.500.12209/18306
identifier_str_mv instname:Universidad Pedagógica Nacional
reponame:Repositorio Institucional de la Universidad Pedagógica Nacional
repourl: http://repositorio.pedagogica.edu.co/
dc.language.iso.spa.fl_str_mv spa
language spa
dc.relation.references.spa.fl_str_mv Bravo Durán, V., de la Cruz Malavassi, E., Herrera Ledezma, G., & Ramírez Muñoz, F. (Enero – junio 2013). Uso de plaguicidas en cultivos agrícolas como herramienta para el monitoreo de peligros en salud. UNICIENCIA, 351-376.
Alvarez Germade, Y., Barbará Morales, E., & Rodriguez Ramirez , O. (2010). FILTRADO DIGITAL EN EL PROCESAMIENTO DE IMÁGENES EMPLEANDO MATLAB. Convención Científica de Ingeniería y Arquitectura.
Baird, D. (1991). El principio de mínimos cuadrados . En En Experimentación: Una introducción a la teoría de mediciones y al diseño de experimentosa la teoría de mediciones y al diseño de experimentos (págs. 172-177). México: Pearson Prentice Hal
BENAVIDES M, P. G. (2013). Plagas del café Broca, minador, cochinillas harinosas arañita roja y monalonion. Manual cafetera colombiano: investigación y tecnología para la sostenibilidad de la caficultura, 2016-225.
Bertona, L. (2005). Entrenamiento de Redes Neuronales Basado en Algoritmos Evolutivos.
Bustillo Pardey, Á. E. (2007). El manejo de cafetales y su relación con el control de la broca del café en Colombia. Manizales : CENICAFÉ.
Casa Robles, P. C. (2020). Desarrollo de aplicaciones móviles de clasificación y detección de objetos a partir de redes convolucionales ligeras (Master's thesis).
Constantino, L. M. (2011). Aspectos biológicos, morfológicos y genéticos de Hypothenemus obscurus e Hypothenemus hampei (Coleoptera: Curculionidae: Scolytinae). Revista Colombiana de Entomología, 173-18.
Constantino, L. M. (2013). Minador de las hojas del cafeto: Una plaga potencial por efectos del cambio climático. Manizales : Centro Nacional de Investigaciones de Café (Cenicafé).
Del Puerto Rodríguez, A., Suárez Tamayo, S., & Palacio Estrada, D. (2104). Efectos de los plaguicidas sobre el ambiente y la salud. Revista Cubana de Higiene y Epidemiología, 372-387.
Dietterich, T. (1995). Overfitting and undercomputing in machine learning. ACM computing surveys, 326-327.
Enriquez, E. B. (1975). Morfología, Ciclo Biológico y Comportamiento de Leucoptera coffeella Guer-Men. Revista Peruana de Entolomogía, 79-81.
Esgario, J. G. (2020). Deep learning for classification and severity estimation of coffee leaf biotic stress. Computers and Electronics in Agriculture.
GIL, Z. C. (2013). Aprenda a manejar la arañita roja del café. Cenicafé.
Gil-Palacio, Z. C.-M. (2021). Diagnóstico de las cochinillas de las raíces del café en ocho departamentos cafeteros de Colombia. Avances técnicos Cenicafé, 1-8.
Gil-Vallejo, L. F., & LeguizamÛn-Caycedo, J. E. (2000). LA MUERTE DESCENDENTE DEL CAFETO (Phoma spp.). Chinchina : Cenicafe.
Hernández-Martínez, G. &.-P. (2016). Análisis integral sobre la roya del café y su control. RINDERESU, 92-99.
Instituto Colombiano Agropecuario (ICA). (07 de Febrero de 2014). Para combatir el picudo de la guayaba productores deben adoptar medidas fitosanitarias eficientes. Obtenido de Noticias Instituto Colombiano Agropecuario : https://www.ica.gov.co/noticias/agricola/2013-(1)/para-combatir-el-picudo-de-la-guayaba-productores
J. G. M. Esgario, R. A. (2019). Deep Learning for Classification and Severity Estimation of Coffee Leaf Biotic Stress. Computers and Electronics in Agriculture, 169. Obtenido de https://arxiv.org/abs/1907.11561
Jaramillo, M. G., Benavides machado, p., & Constantino, L. M. (2015). Conozca al pasador de las ramas del café : Un insecto plaga ocasional en Colombia. Manizales: CENICAFE.
Keras. (30 de 11 de 2022). Keras, Simple. Flexible. Poderoso. Obtenido de https://keras.io/
Marín-Ramírez, G. L.-V.-F. (2019). Alertas tempranas para el manejo de enfermedades. Cenicafé.
Martín Abadi, A. A. (2015). TensorFlow: Large-scale machine learning on heterogeneous systems,. Obtenido de Software available from tensorflow.org.: ww.tensorflow.org
Matich, D. J. (2001). Informática Aplicada a la Ingeniería de Procesos – Orientación I. Redes Neuronales: Conceptos Básicos y Aplicaciones. Rosario - Mexico: Universidad Tecnológica Nacional.
Montalbo, F. J. (2022). Automated diagnosis of diverse coffee leaf images through a stage-wise aggregated triple deep convolutional neural network. Machine Vision and Applications, 33(1), 1-22.
Müller , A. C., & Guido, S. (2018). Introduction to Machine Learning with Python: a guide for data scientists. " O'Reilly Media, Inc.".
Muñoz, O. A. (2019). Diseño de un sistema de visión artificial para el análisis de calidad y producción de rosas. Obtenido de http://hdl.handle.net/20.500.12209/12074.
NumPy. (2022). NumPy documentación . Obtenido de https://numpy.org/doc/stable/
Oliveira, A. J. (2019). Analysis of nematodes in coffee crops at different altitudes using aerial images. 27th European Signal Processing Conference (EUSIPCO), 1-5.
Parraga-Alava, J., Cusme, K., Loor, A., & Santander, E. (2019). RoCoLe: A robusta coffee leaf images dataset. Mendeley Data V2. doi:10.17632/c5yvn32dzg.2
Python Software Foundation. (26 de 12 de 2022). Historia y Licencia. Obtenido de Historia y Licencia: https://docs.python.org/es/3/license.html
Reddy, K. T. (2017). Técnicas de procesamiento de imágenes para la detección de formas de insectos en cultivos de campo. Conferencia internacional sobre computación e informática inventivas (ICICI) de 2017, 699-704.
Rengifo, H. G. (202). Algunos aspectos biológicos de Cercospora coffeicola.
Rivillas, C. A. (2011). La roya del cafeto en Colombia: Impacto manejo y costos del control. Chinchiná: Cenicafe.
Roman Gonzalez, A. (2012). Análisis de imágenes digitales. ECIPeru, 61-68.
Sánchez-Méndez, A. G.-H. (2018). Análisis de imágenes multiespectrales para la detección de cultivos y detección de plagas y enfermedades en la producción de café. Res. Comput. Sci, 309-317.
TensorFlow. (1 de 12 de 2022). TensorFlow Lite. Obtenido de https://www.tensorflow.org/lite/guide
Torres, J. (2020). Python deep learning: introducción práctica con Keras y TensorFlow 2. Marcombo.
Valencia, J. H. (2022). Construcción de una app nativa Android para la detección facial de emociones usando técnicas de inteligencia artificial. Pro Sciences: Revista de Producción, Ciencias e Investigación, 52-61.
Villegas, C. &. (2014). Identificación de cochinillas harinosas en las raíces de café en departamentos cafeteros de Colombia.
Villegas, C. P. (2015). Aspectos del ciclo de vida de Puto barberi Cockerell Hemiptera: Putoidae.
Villegas, C. Z. (2010). Identificación y hábitos de cochinillas harinosas asociadas a raíces del café en Quindío.
Vorobioff, J., Cerrotta, S., Eneas Morel, N., & Amadio, A. (20222). Inteligencia Artificial y Redes Neuronales: Fundamentos Ejercicios y Aplicaciones con Phyton y Matlab. Buenos Aires: edUTecNe.
dc.rights.uri.none.fl_str_mv https://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rights.accessrights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://purl.org/coar/access_right/c_abf2
dc.rights.creativecommons.none.fl_str_mv Attribution-NonCommercial-NoDerivatives 4.0 International
rights_invalid_str_mv https://creativecommons.org/licenses/by-nc-nd/4.0/
http://purl.org/coar/access_right/c_abf2
Attribution-NonCommercial-NoDerivatives 4.0 International
eu_rights_str_mv openAccess
dc.format.mimetype.spa.fl_str_mv application/pdf
dc.publisher.spa.fl_str_mv Universidad Pedagógica Nacional
dc.publisher.program.spa.fl_str_mv Licenciatura en Electrónica
dc.publisher.faculty.spa.fl_str_mv Facultad de Ciencia y Tecnología
institution Universidad Pedagógica Nacional
bitstream.url.fl_str_mv http://repository.pedagogica.edu.co/bitstream/20.500.12209/18306/8/entrenamiento%20redes%20neuronales.pdf.jpg
http://repository.pedagogica.edu.co/bitstream/20.500.12209/18306/6/license.txt
http://repository.pedagogica.edu.co/bitstream/20.500.12209/18306/7/202303650029783-28%20FEB%2023%20GUSTAVO%20AVILA.pdf
http://repository.pedagogica.edu.co/bitstream/20.500.12209/18306/4/entrenamiento%20redes%20neuronales.pdf
bitstream.checksum.fl_str_mv 604f67f168b5a12eaca9748c27293c54
8a4605be74aa9ea9d79846c1fba20a33
90a5f88b2678fd87ddcbab9a4082f5a3
5f21cfbeb6d618d5e7f02b473af1fd6c
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Institucional Universidad Pedagógica Nacional
repository.mail.fl_str_mv repositorio@pedagogica.edu.co
_version_ 1814445250788196352
spelling Martínez Vásquez, David AlejandroAvila Perez, Gustavo Adolfo2023-03-09T16:37:50Z2023-03-09T16:37:50Z2022http://hdl.handle.net/20.500.12209/18306instname:Universidad Pedagógica Nacionalreponame:Repositorio Institucional de la Universidad Pedagógica Nacionalrepourl: http://repositorio.pedagogica.edu.co/En este documento se encuentra el desarrollo de una aplicación para Android usando redes neuronales por medio de la librería de código abierto TensorFlow con el fin de identificar plagas en las hojas del café. Para lograr el entrenamiento de la red neuronal, se han tomado como referencia bases de datos con imágenes de plagas de Cercospora, Phoma, Roya Minador de hojas y Arañita roja para así lograr la identificación. El proceso de programación para el entrenamiento y la identificación de patrones se hizo en lenguaje Python, usando los entornos de desarrollo anaconda y Jupyter Notebook. Por otra parte, la aplicación para Android se desarrolló en Java, usando el entrono Android Studio, en el cual se importó la librería TensorFlow Lite.Submitted by Gustavo Adolfo Avila Perez (gaavilap@upn.edu.co) on 2023-03-01T22:07:35Z No. of bitstreams: 2 Proyecto de Grado Gustavo_Correcciones_V6.pdf: 1868719 bytes, checksum: 5f21cfbeb6d618d5e7f02b473af1fd6c (MD5) FOR021GIBLicenciaUsoTrabajosyTesisGradoV03.pdf: 161408 bytes, checksum: 90a5f88b2678fd87ddcbab9a4082f5a3 (MD5)Rejected by Biblioteca UPN (repositoriobiblioteca@pedagogica.edu.co), reason: Cordial saludo. Envío devuelto. Atienda las siguientes correcciones: - El nombre del archivo PDF (tanto el documento como la licencia) NO debe contener mayúsculas Corregir y cargar de nuevo de forma INMEDIATA. on 2023-03-07T12:57:56Z (GMT)Submitted by Gustavo Adolfo Avila Perez (gaavilap@upn.edu.co) on 2023-03-07T13:09:34Z No. of bitstreams: 2 entrenamiento redes neuronales.pdf: 1868719 bytes, checksum: 5f21cfbeb6d618d5e7f02b473af1fd6c (MD5) licencia de uso.pdf: 161408 bytes, checksum: 90a5f88b2678fd87ddcbab9a4082f5a3 (MD5)Approved for entry into archive by Biblioteca UPN (repositoriobiblioteca@pedagogica.edu.co) on 2023-03-07T17:08:27Z (GMT) No. of bitstreams: 2 entrenamiento redes neuronales.pdf: 1868719 bytes, checksum: 5f21cfbeb6d618d5e7f02b473af1fd6c (MD5) licencia de uso.pdf: 161408 bytes, checksum: 90a5f88b2678fd87ddcbab9a4082f5a3 (MD5)Approved for entry into archive by Elsy Carolina Martínez (ecmartinezb@pedagogica.edu.co) on 2023-03-09T16:37:50Z (GMT) No. of bitstreams: 2 entrenamiento redes neuronales.pdf: 1868719 bytes, checksum: 5f21cfbeb6d618d5e7f02b473af1fd6c (MD5) licencia de uso.pdf: 161408 bytes, checksum: 90a5f88b2678fd87ddcbab9a4082f5a3 (MD5)Made available in DSpace on 2023-03-09T16:37:50Z (GMT). No. of bitstreams: 2 entrenamiento redes neuronales.pdf: 1868719 bytes, checksum: 5f21cfbeb6d618d5e7f02b473af1fd6c (MD5) licencia de uso.pdf: 161408 bytes, checksum: 90a5f88b2678fd87ddcbab9a4082f5a3 (MD5) Previous issue date: 2022Licenciado en ElectrónicaPregradoIn this document is the development of an Android application using neural networks through the open source library TensorFlow in order to identify pests in coffee leaves. To achieve the training of the neural network, databases with images of pests of Cercospora, Phoma, Roya Leafminer and Red spider mite have been taken as a reference in order to achieve identification. The programming process for training and pattern identification was done in Python, using the anaconda and Jupyter Notebook development environments. On the other hand, the Android application was developed in Java, using the Android Studio environment, in which the TensorFlow Lite library was imported.application/pdfspaUniversidad Pedagógica NacionalLicenciatura en ElectrónicaFacultad de Ciencia y Tecnologíahttps://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Attribution-NonCommercial-NoDerivatives 4.0 InternationalAprendizaje de máquinaProcesamiento de imagenIdentificación plagasPythonRedes neuronalesMachine learningImage processingPest identificationPythonNeural networksEntrenamiento de redes neuronales para la identificación de plagas en cultivos de café.Training of neural networks for the identification of pests in coffee crops.info:eu-repo/semantics/bachelorThesisTesis/Trabajo de grado - Monografía - Pregradohttp://purl.org/coar/resource_type/c_7a1finfo:eu-repo/semantics/bachelorThesisBravo Durán, V., de la Cruz Malavassi, E., Herrera Ledezma, G., & Ramírez Muñoz, F. (Enero – junio 2013). Uso de plaguicidas en cultivos agrícolas como herramienta para el monitoreo de peligros en salud. UNICIENCIA, 351-376.Alvarez Germade, Y., Barbará Morales, E., & Rodriguez Ramirez , O. (2010). FILTRADO DIGITAL EN EL PROCESAMIENTO DE IMÁGENES EMPLEANDO MATLAB. Convención Científica de Ingeniería y Arquitectura.Baird, D. (1991). El principio de mínimos cuadrados . En En Experimentación: Una introducción a la teoría de mediciones y al diseño de experimentosa la teoría de mediciones y al diseño de experimentos (págs. 172-177). México: Pearson Prentice HalBENAVIDES M, P. G. (2013). Plagas del café Broca, minador, cochinillas harinosas arañita roja y monalonion. Manual cafetera colombiano: investigación y tecnología para la sostenibilidad de la caficultura, 2016-225.Bertona, L. (2005). Entrenamiento de Redes Neuronales Basado en Algoritmos Evolutivos.Bustillo Pardey, Á. E. (2007). El manejo de cafetales y su relación con el control de la broca del café en Colombia. Manizales : CENICAFÉ.Casa Robles, P. C. (2020). Desarrollo de aplicaciones móviles de clasificación y detección de objetos a partir de redes convolucionales ligeras (Master's thesis).Constantino, L. M. (2011). Aspectos biológicos, morfológicos y genéticos de Hypothenemus obscurus e Hypothenemus hampei (Coleoptera: Curculionidae: Scolytinae). Revista Colombiana de Entomología, 173-18.Constantino, L. M. (2013). Minador de las hojas del cafeto: Una plaga potencial por efectos del cambio climático. Manizales : Centro Nacional de Investigaciones de Café (Cenicafé).Del Puerto Rodríguez, A., Suárez Tamayo, S., & Palacio Estrada, D. (2104). Efectos de los plaguicidas sobre el ambiente y la salud. Revista Cubana de Higiene y Epidemiología, 372-387.Dietterich, T. (1995). Overfitting and undercomputing in machine learning. ACM computing surveys, 326-327.Enriquez, E. B. (1975). Morfología, Ciclo Biológico y Comportamiento de Leucoptera coffeella Guer-Men. Revista Peruana de Entolomogía, 79-81.Esgario, J. G. (2020). Deep learning for classification and severity estimation of coffee leaf biotic stress. Computers and Electronics in Agriculture.GIL, Z. C. (2013). Aprenda a manejar la arañita roja del café. Cenicafé.Gil-Palacio, Z. C.-M. (2021). Diagnóstico de las cochinillas de las raíces del café en ocho departamentos cafeteros de Colombia. Avances técnicos Cenicafé, 1-8.Gil-Vallejo, L. F., & LeguizamÛn-Caycedo, J. E. (2000). LA MUERTE DESCENDENTE DEL CAFETO (Phoma spp.). Chinchina : Cenicafe.Hernández-Martínez, G. &.-P. (2016). Análisis integral sobre la roya del café y su control. RINDERESU, 92-99.Instituto Colombiano Agropecuario (ICA). (07 de Febrero de 2014). Para combatir el picudo de la guayaba productores deben adoptar medidas fitosanitarias eficientes. Obtenido de Noticias Instituto Colombiano Agropecuario : https://www.ica.gov.co/noticias/agricola/2013-(1)/para-combatir-el-picudo-de-la-guayaba-productoresJ. G. M. Esgario, R. A. (2019). Deep Learning for Classification and Severity Estimation of Coffee Leaf Biotic Stress. Computers and Electronics in Agriculture, 169. Obtenido de https://arxiv.org/abs/1907.11561Jaramillo, M. G., Benavides machado, p., & Constantino, L. M. (2015). Conozca al pasador de las ramas del café : Un insecto plaga ocasional en Colombia. Manizales: CENICAFE.Keras. (30 de 11 de 2022). Keras, Simple. Flexible. Poderoso. Obtenido de https://keras.io/Marín-Ramírez, G. L.-V.-F. (2019). Alertas tempranas para el manejo de enfermedades. Cenicafé.Martín Abadi, A. A. (2015). TensorFlow: Large-scale machine learning on heterogeneous systems,. Obtenido de Software available from tensorflow.org.: ww.tensorflow.orgMatich, D. J. (2001). Informática Aplicada a la Ingeniería de Procesos – Orientación I. Redes Neuronales: Conceptos Básicos y Aplicaciones. Rosario - Mexico: Universidad Tecnológica Nacional.Montalbo, F. J. (2022). Automated diagnosis of diverse coffee leaf images through a stage-wise aggregated triple deep convolutional neural network. Machine Vision and Applications, 33(1), 1-22.Müller , A. C., & Guido, S. (2018). Introduction to Machine Learning with Python: a guide for data scientists. " O'Reilly Media, Inc.".Muñoz, O. A. (2019). Diseño de un sistema de visión artificial para el análisis de calidad y producción de rosas. Obtenido de http://hdl.handle.net/20.500.12209/12074.NumPy. (2022). NumPy documentación . Obtenido de https://numpy.org/doc/stable/Oliveira, A. J. (2019). Analysis of nematodes in coffee crops at different altitudes using aerial images. 27th European Signal Processing Conference (EUSIPCO), 1-5.Parraga-Alava, J., Cusme, K., Loor, A., & Santander, E. (2019). RoCoLe: A robusta coffee leaf images dataset. Mendeley Data V2. doi:10.17632/c5yvn32dzg.2Python Software Foundation. (26 de 12 de 2022). Historia y Licencia. Obtenido de Historia y Licencia: https://docs.python.org/es/3/license.htmlReddy, K. T. (2017). Técnicas de procesamiento de imágenes para la detección de formas de insectos en cultivos de campo. Conferencia internacional sobre computación e informática inventivas (ICICI) de 2017, 699-704.Rengifo, H. G. (202). Algunos aspectos biológicos de Cercospora coffeicola.Rivillas, C. A. (2011). La roya del cafeto en Colombia: Impacto manejo y costos del control. Chinchiná: Cenicafe.Roman Gonzalez, A. (2012). Análisis de imágenes digitales. ECIPeru, 61-68.Sánchez-Méndez, A. G.-H. (2018). Análisis de imágenes multiespectrales para la detección de cultivos y detección de plagas y enfermedades en la producción de café. Res. Comput. Sci, 309-317.TensorFlow. (1 de 12 de 2022). TensorFlow Lite. Obtenido de https://www.tensorflow.org/lite/guideTorres, J. (2020). Python deep learning: introducción práctica con Keras y TensorFlow 2. Marcombo.Valencia, J. H. (2022). Construcción de una app nativa Android para la detección facial de emociones usando técnicas de inteligencia artificial. Pro Sciences: Revista de Producción, Ciencias e Investigación, 52-61.Villegas, C. &. (2014). Identificación de cochinillas harinosas en las raíces de café en departamentos cafeteros de Colombia.Villegas, C. P. (2015). Aspectos del ciclo de vida de Puto barberi Cockerell Hemiptera: Putoidae.Villegas, C. Z. (2010). Identificación y hábitos de cochinillas harinosas asociadas a raíces del café en Quindío.Vorobioff, J., Cerrotta, S., Eneas Morel, N., & Amadio, A. (20222). Inteligencia Artificial y Redes Neuronales: Fundamentos Ejercicios y Aplicaciones con Phyton y Matlab. Buenos Aires: edUTecNe.THUMBNAILentrenamiento redes neuronales.pdf.jpgentrenamiento redes neuronales.pdf.jpgIM Thumbnailimage/jpeg2769http://repository.pedagogica.edu.co/bitstream/20.500.12209/18306/8/entrenamiento%20redes%20neuronales.pdf.jpg604f67f168b5a12eaca9748c27293c54MD58LICENSElicense.txtlicense.txttext/plain; charset=utf-81748http://repository.pedagogica.edu.co/bitstream/20.500.12209/18306/6/license.txt8a4605be74aa9ea9d79846c1fba20a33MD56202303650029783-28 FEB 23 GUSTAVO AVILA.pdf202303650029783-28 FEB 23 GUSTAVO AVILA.pdfLICENCIA APROBADAapplication/pdf161408http://repository.pedagogica.edu.co/bitstream/20.500.12209/18306/7/202303650029783-28%20FEB%2023%20GUSTAVO%20AVILA.pdf90a5f88b2678fd87ddcbab9a4082f5a3MD57ORIGINALentrenamiento redes neuronales.pdfentrenamiento redes neuronales.pdfapplication/pdf1868719http://repository.pedagogica.edu.co/bitstream/20.500.12209/18306/4/entrenamiento%20redes%20neuronales.pdf5f21cfbeb6d618d5e7f02b473af1fd6cMD5420.500.12209/18306oai:repository.pedagogica.edu.co:20.500.12209/183062023-03-09 23:01:04.279Repositorio Institucional Universidad Pedagógica Nacionalrepositorio@pedagogica.edu.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

Publicaciones similares