Prototipo de aplicación móvil para la identificación de mazorcas de cacao enfermas haciendo uso de visión por computadora y aprendizaje de máquina
Según fuentes de Fedecacao, para el 2018 se determinó que la producción total de cacao Theobroma cacao L en Colombia superó las 56 mil toneladas, la segunda más alta en toda la historia puesto que hubo una reducción de la producción del 6% en comparación al 2017, al pasar de 60 mil a 56 mil tonelada...
- Autores:
-
Serrano Arenas, Juan Sebastián
Torres Villamizar, Camilo Andrés
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2020
- Institución:
- Universidad Autónoma de Bucaramanga - UNAB
- Repositorio:
- Repositorio UNAB
- Idioma:
- spa
- OAI Identifier:
- oai:repository.unab.edu.co:20.500.12749/13367
- Acceso en línea:
- http://hdl.handle.net/20.500.12749/13367
- Palabra clave:
- Systems engineer
Technological innovations
Theobroma cacao l
Cocoa pods
Cocoa diseases
Artificial intelligence
Image analysis
Phytosanitary management
Crops
Psychotropic plants
Mobile communication systems
Ingeniería de sistemas
Innovaciones tecnológicas
Cultivos
Plantas psicotrópicas
Teléfono celular
Sistemas móviles de comunicaciones
Mazorcas de cacao
Enfermedades del cacao
Inteligencia artificial
Análisis de imágenes
Manejo fitosanitario
- Rights
- openAccess
- License
- http://creativecommons.org/licenses/by-nc-nd/2.5/co/
| id |
UNAB2_02abf7844db2374f77238f04c544fa70 |
|---|---|
| oai_identifier_str |
oai:repository.unab.edu.co:20.500.12749/13367 |
| network_acronym_str |
UNAB2 |
| network_name_str |
Repositorio UNAB |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Prototipo de aplicación móvil para la identificación de mazorcas de cacao enfermas haciendo uso de visión por computadora y aprendizaje de máquina |
| dc.title.translated.spa.fl_str_mv |
Mobile application prototype for the identification of diseased cocoa pods using computer vision and machine learning |
| title |
Prototipo de aplicación móvil para la identificación de mazorcas de cacao enfermas haciendo uso de visión por computadora y aprendizaje de máquina |
| spellingShingle |
Prototipo de aplicación móvil para la identificación de mazorcas de cacao enfermas haciendo uso de visión por computadora y aprendizaje de máquina Systems engineer Technological innovations Theobroma cacao l Cocoa pods Cocoa diseases Artificial intelligence Image analysis Phytosanitary management Crops Psychotropic plants Mobile communication systems Ingeniería de sistemas Innovaciones tecnológicas Cultivos Plantas psicotrópicas Teléfono celular Sistemas móviles de comunicaciones Mazorcas de cacao Enfermedades del cacao Inteligencia artificial Análisis de imágenes Manejo fitosanitario |
| title_short |
Prototipo de aplicación móvil para la identificación de mazorcas de cacao enfermas haciendo uso de visión por computadora y aprendizaje de máquina |
| title_full |
Prototipo de aplicación móvil para la identificación de mazorcas de cacao enfermas haciendo uso de visión por computadora y aprendizaje de máquina |
| title_fullStr |
Prototipo de aplicación móvil para la identificación de mazorcas de cacao enfermas haciendo uso de visión por computadora y aprendizaje de máquina |
| title_full_unstemmed |
Prototipo de aplicación móvil para la identificación de mazorcas de cacao enfermas haciendo uso de visión por computadora y aprendizaje de máquina |
| title_sort |
Prototipo de aplicación móvil para la identificación de mazorcas de cacao enfermas haciendo uso de visión por computadora y aprendizaje de máquina |
| dc.creator.fl_str_mv |
Serrano Arenas, Juan Sebastián Torres Villamizar, Camilo Andrés |
| dc.contributor.advisor.none.fl_str_mv |
Talero Sarmiento, Leonardo Hernán Moreno Corzo, Feisar Enrique Nieves Peña, Néstor Edgardo |
| dc.contributor.author.none.fl_str_mv |
Serrano Arenas, Juan Sebastián Torres Villamizar, Camilo Andrés |
| dc.contributor.cvlac.none.fl_str_mv |
Talero Sarmiento, Leonardo Hernán [0000031387] Moreno Corzo, Feisar Enrique [0001499008] |
| dc.contributor.googlescholar.none.fl_str_mv |
Moreno Corzo, Feisar Enrique [jz75nEcAAAAJ&hl=es&oi=ao] |
| dc.contributor.orcid.none.fl_str_mv |
Talero Sarmiento, Leonardo Hernán [0000-0002-4129-9163] Moreno Corzo, Feisar Enrique [0000-0002-5007-3422] |
| dc.contributor.researchgate.none.fl_str_mv |
Talero Sarmiento, Leonardo Hernán https://www.researchgate.net/profile/Leonardo-Talero Feisar-Enrique-Moreno-Corzo-2169498891 |
| dc.subject.keywords.spa.fl_str_mv |
Systems engineer Technological innovations Theobroma cacao l Cocoa pods Cocoa diseases Artificial intelligence Image analysis Phytosanitary management Crops Psychotropic plants Mobile communication systems |
| topic |
Systems engineer Technological innovations Theobroma cacao l Cocoa pods Cocoa diseases Artificial intelligence Image analysis Phytosanitary management Crops Psychotropic plants Mobile communication systems Ingeniería de sistemas Innovaciones tecnológicas Cultivos Plantas psicotrópicas Teléfono celular Sistemas móviles de comunicaciones Mazorcas de cacao Enfermedades del cacao Inteligencia artificial Análisis de imágenes Manejo fitosanitario |
| dc.subject.lemb.spa.fl_str_mv |
Ingeniería de sistemas Innovaciones tecnológicas Cultivos Plantas psicotrópicas Teléfono celular Sistemas móviles de comunicaciones |
| dc.subject.proposal.spa.fl_str_mv |
Mazorcas de cacao Enfermedades del cacao Inteligencia artificial Análisis de imágenes Manejo fitosanitario |
| description |
Según fuentes de Fedecacao, para el 2018 se determinó que la producción total de cacao Theobroma cacao L en Colombia superó las 56 mil toneladas, la segunda más alta en toda la historia puesto que hubo una reducción de la producción del 6% en comparación al 2017, al pasar de 60 mil a 56 mil toneladas (Fedecacao, 2018). La reducción se dio debido a los flujos de floración, al incremento de la enfermedad llamada Monilia y a las inundaciones causadas por las precipitaciones de comienzos de año. Teniendo en cuenta que la inspección semanal es un procedimiento confiable para evaluar el grado de infección en los cultivos, el presente proyecto desarrolla un prototipo de aplicación móvil que permita identificar mediante técnicas de inteligencia artificial y análisis de imágenes las mazorcas de cacao enfermas. Mediante el levantamiento de datos esta investigación realiza la consolidación de un conjunto de datos que contiene las enfermedades más preocupantes como son la Fitóftora y la Monilia. Para mejorar el procedimiento de inspección se entrena una máquina de aprendizaje con YOLOv4 obteniendo un 60% de precisión en la detección de mazorcas de cacao. Los resultados prometen una herramienta móvil útil a los agricultores e investigadores agrícolas para la toma de decisiones, permitiendo evaluar y realizar con precisión el proceso de inspección de las mazorcas sin la necesidad de un experto capacitado en el manejo fitosanitario en los cultivos de cacao. |
| publishDate |
2020 |
| dc.date.issued.none.fl_str_mv |
2020 |
| dc.date.accessioned.none.fl_str_mv |
2021-05-25T15:21:48Z |
| dc.date.available.none.fl_str_mv |
2021-05-25T15:21:48Z |
| dc.type.driver.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| dc.type.local.spa.fl_str_mv |
Trabajo de Grado |
| dc.type.coar.none.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.redcol.none.fl_str_mv |
http://purl.org/redcol/resource_type/TP |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/20.500.12749/13367 |
| dc.identifier.instname.spa.fl_str_mv |
instname:Universidad Autónoma de Bucaramanga - UNAB |
| dc.identifier.reponame.spa.fl_str_mv |
reponame:Repositorio Institucional UNAB |
| dc.identifier.repourl.spa.fl_str_mv |
repourl:https://repository.unab.edu.co |
| url |
http://hdl.handle.net/20.500.12749/13367 |
| identifier_str_mv |
instname:Universidad Autónoma de Bucaramanga - UNAB reponame:Repositorio Institucional UNAB repourl:https://repository.unab.edu.co |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.spa.fl_str_mv |
Alegre, E., Pajares, G., & De La Escalera, A. (2016). Conceptos y Métodos en Visión Por Computador . Bagnato, J. I. (2018, November 29). Convolutional Neural Networks: La Teoría explicada en Español | Aprende Machine Learning. https://www.aprendemachinelearning.com/como-funcionan-las-convolutionalneural-networks-vision-por-ordenador/ Bancolombia. (2018). Guía completa sobre el cultivo de cacao. C, N. C. (2010). Nvidia cuda. Compare A Journal Of Comparative Education Chang, D. T. (n.d.). Concept-Oriented Deep Learning Clúster Santander - Cluster Cacao. (n.d.). Retrieved April 14, 2020, from http://clustersantander.com/bienvenido-cluster-cacao Corpoica, T., & Suiza, L. (2019). Tcs 01 Cowley, J. (2018). Redes neuronales convolucionales. Ibm, 1. https://www.ibm.com/developerworks/ssa/library/cc-convolutional-neuralnetwork-vision-recognition/index.html El Naqa, I., & Murphy, M. J. (2015). What Is Machine Learning? In Machine Learning in Radiation Oncology (pp. 3–11). Springer International Publishing. https://doi.org/10.1007/978-3-319-18305-3_1 Española, R. A., & Española, R. A. (n.d.-a). -cultura. Diccionario de La Lengua Española. Retrieved February 21, 2020, from http://buscon.rae.es/draeI/SrvltGUIBusUsual?origen=RAE&LEMA=-cultura Española, R. A., & Española, R. A. (n.d.-b). agro-. Diccionario de La Lengua Española. Retrieved February 21, 2020, from http://buscon.rae.es/draeI/SrvltGUIBusUsual?origen=RAE&LEMA=agro Espinosa-garcía, J. A., Uresti-gil, J., Vélez-izquierdo, A., Moctezuma-lópez, G., & Daniel, H. (2015). Productividad y rentabilidad potencial del cacao ( Theobroma cacao L .) en el trópico mexicano * Productivity and profit potential of cocoa ( Theobroma cacao L .) in the Mexican tropics Resumen Introducción. Revista Mexicana de Ciencias Agrícolas, 6, 1051–1063. Experts System Team. (2017). What is Machine Learning? A definition - Expert System. https://expertsystem.com/machine-learning-definition/ Fedecacao. (2018). Federacion Nacional De Cacaoteros Fondo Nacional Del Cacao. On Line, 53. https://www.fedecacao.com.co/portal/images/MEMORIAS_V_SEMINARIO/00 1._Dr._Eduard_Baquero_-_Fedecacao.pdf Fedecacao. (2019). Informe de ejecución plan de ingresos, inversiones y gastos del fondo nacional del cacao durante el cuarto trimestre y consolidado vigencia 2018. 1–228. https://www.fedecacao.com.co/portal/images/INFORME_2018.pdf ICA. (2012). Manejo fitosanitario del cultivo del cacao (Theobroma cacao L): medidas para la temporada invernal. Institute of Electrical and Electronics Engineers. (2017). 2017 IEEE 2nd 62 International Conference on Big Data Analysis (ICBDA 2017) : March 10-12, 2017, Beijing, China. 721–724. Lutz, M. (2007). Learning Python. In Icarus. https://doi.org/10.1016/00191035(89)90077-8 Martín Abadi, A. A. P. B. E. B., Zhifeng Chen, C. C. G. S. C. A. D., Jeffrey Dean, M. D. S. G. I. G., Andrew Harp, G. I. M. I. R. J. Y. J., Lukasz Kaiser, M. K. J. L. D. M. M. S., Rajat Monga, S. M. D. M. C. O. J. S., Benoit Steiner, I. S. K. T. P. T., Vincent Vanhoucke, V. V. F. V., Oriol Vinyals, P. W. M. W. M. W., & Yuan Yu y Xiaoqiang Zheng. (2015). TensorFlow White Papers. https://www.tensorflow.org/about/bib Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You only look once: Unified, real-time object detection. Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2016-Decem, 779– 788. https://doi.org/10.1109/CVPR.2016.91 Redmon Joseph, & Farhadi, A. (2018). YOLO: detección de objetos en tiempo real. https://pjreddie.com/darknet/yolo/ Society, N. G. (2019). The Development of Agriculture | National Geographic Society. Aug. 19. https://www.nationalgeographic.org/article/developmentagriculture/12th-grade Yanet, L., Contreras, S., Luz, A., & Riaño, R. (2013). Aislamiento de microorganismos para control biológico de Moniliophthora roreri Isolation of microorganisms for biological control of Moniliophthora roreri. Agrotrading. (2016). Tipos de Cacao. http://agrotradingvenezuela.com.ve/cw_site/1/link_2.php?id=26&op=menu Ariandi, V., Kurnia, H., Heriyanto, & Marry, H. (2019). Expert system for disease diagnosis in cocoa plant using android-based forward chaining method. Journal of Physics: Conference Series, 1339(1). https://doi.org/10.1088/17426596/1339/1/012009 Basri, Harli, Indrabayu, Areni, I. S., & Tamin, R. (2019). Image Processing System for Early Detection of Cocoa Fruit Pest Attack. Journal of Physics: Conference Series, 1244(1). https://doi.org/10.1088/1742-6596/1244/1/012003 Bowers, J. H., Bailey, B. A., Hebbar, P. K., Sanogo, S., & Lumsden, R. D. (2001). The Impact of Plant Diseases on World Chocolate Production. Plant Health Progress, 2(1), 12. https://doi.org/10.1094/php-2001-0709-01-rv Calderón, A., & Valverde, Rebaza, S. (2007). Universidad Nacional de Trujillo Metodologías Ágiles. 37. https://s3.amazonaws.com/academia.edu.documents/43784053/METODOLO GIAS_AGILES.pdf?AWSAccessKeyId=AKIAIWOWYYGZ2Y53UL3A&Expires= 1555814033&Signature=21xq%2F4v4%2BMjp6HMPN7iEd5iZpVc%3D&respo nse-content-disposition=inline%3B filename%3DUniversidad_Nacional_de_ Castillo, J. A. (2019). RGB qué es esto y para qué se utiliza en informática. https://www.profesionalreview.com/2019/01/20/rgb-que-es/ De Oliveira, J. R. C. P., & Romero, R. A. F. (2018). Transfer Learning Based Model for Classification of Cocoa Pods. Proceedings of the International Joint Conference on Neural Networks, 2018-July, 1–6. https://doi.org/10.1109/IJCNN.2018.8489126 Diego Calvo. (2017, July 20). http://www.diegocalvo.es/red-neuronalconvolucional/ Duarte, A. O., & C, M. R. (2008). Las Metodologías de Desarrollo Ágil como una Oportunidad para la Ingeniería del Software Educativo. Revista Avances En Sistemas e Informática, 5(2), 159–171 Figueroa, G. (2005). Convolución y transformadas. https://tecdigital.tec.ac.cr/revistamatematica/cursoslinea/EcuacionesDiferenciales/EDO-Geo/edo-cap5-geo/laplace/node7.html Florez, O. U. (2018). Diccionario Inglés-Español de Términos Técnicos en Inteligencia Artificial (IA). c, 1–20. https://github.com/capitalone/AI_Dictionary_English_Spanish Folch, S. (2010). Modos o modelos de color HSB (o HSV) y códigos hexadecimales: qué son y usos específicos. https://www.comunicacionmultimedia.info/2010/05/modos-o-modelos-de-color-hsb-o-hsv-y.html Frucci, M., & di Baja, G. S. (2008). From Segmentation to Binarization of GrayLevel Images. Journal of Pattern Recognition Research, 3(1), 1–13. https://doi.org/10.13176/11.54 Fuentes, S., Chacon, G., Torrico, D. D., Zarate, A., & Viejo, C. G. (2019). Spatial variability of aroma profiles of cocoa trees obtained through computer vision and machine learning modelling: A cover photography and high spatial remote sensing application. Sensors (Switzerland), 19(14). https://doi.org/10.3390/s19143054 Gamboa, A. A., Cáceres, P. A., Lamos, H., Zárate, D. A., & Puentes, D. E. (2019). Predictive model for cocoa yield in Santander using Supervised Machine Learning. 2019 22nd Symposium on Image, Signal Processing and Artificial Vision, STSIVA 2019 - Conference Proceedings. https://doi.org/10.1109/STSIVA.2019.8730258 ICA. (2012). Manejo fitosanitario del cultivo del cacao (Theobroma cacao L): medidas para la temporada invernal. Jaimes, Y. Y., Ribeyre, F., Gonzalez, C., Rojas, J., Furtado, E. L., & Cilas, C. (2019). Factors affecting the dynamics of frosty pod rot in the main cocoa areas of Santander State, Colombia. Plant Disease, 103(7), 1665–1673. https://doi.org/10.1094/PDIS-10-18-1761-RE Joshua Lanzarini. (2018, July 5). Organic Farming - Person holding leafed plant photo – Free Food Image on Unsplash. https://unsplash.com/photos/FGvQKMP-iXY Lagos-Ortiz, K., Medina-Moreira, J., Alarcón-Salvatierra, A., Morán, M. F., del Cioppo-Morstadt, J., & Valencia-García, R. (2019). Decision Support System for the Control and Monitoring of Crops. In Advances in Intelligent Systems and Computing (Vol. 901, pp. 20–28). https://doi.org/10.1007/978-3-03010728-4_3 Lomotey, R. K., Mammay, A., & Orji, R. (2018). Mobile technology for smart agriculture: Deployment case for cocoa production. International Journal of Sustainable Agricultural Management and Informatics, 4(2), 83–97.https://doi.org/10.1504/IJSAMI.2018.094810 Nembot, C., Takam Soh, P., ten Hoopen, G. M., & Dumont, Y. (2018). Modeling the temporal evolution of cocoa black pod rot disease caused by Phytophthora megakarya. Mathematical Methods in the Applied Sciences, 41(18), 8816– 8843. https://doi.org/10.1002/mma.5206 Putra, B. T. W., Soni, P., Marhaenanto, B., Pujiyanto, Sisbudi Harsono, S., & Fountas, S. (2018). Using information from images for plantation monitoring: A review of solutions for smallholders. Information Processing in Agriculture, 7(1), 109–119. https://doi.org/10.1016/j.inpa.2019.04.005 RAE. (2014a). agricultura | Definición | Diccionario de la lengua española | RAE - ASALE. https://dle.rae.es/agricultura RAE. (2014b). agro, agra | Definición | Diccionario de la lengua española | RAE - ASALE. https://dle.rae.es/agro?m=form RAE. (2014c). cultura | Definición | Diccionario de la lengua española | RAE - ASALE. https://dle.rae.es/cultura Santander, C. (2019). Clúster Santander - Cluster Cacao. http://clustersantander.com/bienvenido-cluster-cacao Seekpng. (n.d.). Arbol Raices Borges - Tree And Roots Drawing PNG Image | Transparent PNG Free Download on SeekPNG. Retrieved May 6, 2020, from https://www.seekpng.com/ipng/u2w7q8o0t4t4q8o0_arbol-raices-borges-treeand-roots-drawing Shobha, G., & Rangaswamy, S. (2018). Machine Learning. Handbook of Statistics, 38, 197–228. https://doi.org/10.1016/BS.HOST.2018.07.004 Stanford, L. (2015). Introduction to Computer Vision. https://ai.stanford.edu/~syyeung/cvweb/tutorial1.html Tan Tan, D. S., Leong, R. N., Laguna, A. F., Ngo, C. A., Lao, A., Amalin, D., & Alvindia, D. (2016). A framework for measuring infection level on cacao pods. Proceedings - 2016 IEEE Region 10 Symposium, TENSYMP 2016, 384–389. https://doi.org/10.1109/TENCONSpring.2016.7519437 Tan, D. S., Leong, R. N., Laguna, A. F., Ngo, C. A., Lao, A., Amalin, D. M., & Alvindia, D. G. (2018). AuToDiDAC: Automated Tool for Disease Detection and Assessment for Cacao Black Pod Rot. Crop Protection, 103(October 2017), 98–102. https://doi.org/10.1016/j.cropro.2017.09.017 Tzutalin. (2015). LabelImg. In LabelImg. Actualidad/tensorflow-dev-summit-2020--dias-11-y-12-de-marzo-en-en-sunnyvalecalifornia. (n.d.). Aime, M. C., & Phillips-Mora, W. (2005). The causal agents of witches’ broom and frosty pod rot of cacao (chocolate, Theobroma cacao) form a new lineage of Marasmiaceae. Mycologia, 97(5), 1012–1022. https://doi.org/10.1080/15572536.2006.11832751 Basri, Harli, Indrabayu, Areni, I. S., & Tamin, R. (2019). Image Processing System for Early Detection of Cocoa Fruit Pest Attack. Journal of Physics: Conference Series, 1244(1). https://doi.org/10.1088/1742-6596/1244/1/012003 Bochkovskiy, A. (2020). YOLOv4 — the most accurate real-time neural network on MS COCO dataset. | by Aleksey Bochkovskiy | Medium. 2020. 65 https://medium.com/@alexeyab84/yolov4-the-most-accurate-real-time-neuralnetwork-on-ms-coco-dataset-73adfd3602fe Bochkovskiy, A., Wang, C.-Y., & Liao, H.-Y. M. (2020a). YOLOv4: Optimal Speed and Accuracy of Object Detection. http://arxiv.org/abs/2004.10934 Bochkovskiy, A., Wang, C.-Y., & Liao, H.-Y. M. (2020b). YOLOv4: Optimal Speed and Accuracy of Object Detection Colaboratory. (2020). Colaboratory – Google. https://research.google.com/colaboratory/faq.html#resource-limits Dias Rafa. (2016, January). ¿Qué es la tecnología CUDA? Espinosa-García, J., … J. U.-G.-R. mexicana, & 2015, U. (2015). Productividad y rentabilidad potencial del cacao (Theobroma cacao L.) en el trópico mexicano. Scielo.Org.Mx. http://www.scielo.org.mx/scielo.php?pid=S200709342015000500012&script=sci_arttext Evans, H. . (1981). Pod rot of cacao caused by Moniliophthora (Monilia) roreri. https://www.cabdirect.org/cabdirect/abstract/19811373782 Fedecacao. (2018). Federacion Nacional De Cacaoteros Fondo Nacional Del Cacao. On Line, 53. https://www.fedecacao.com.co/portal/images/MEMORIAS_V_SEMINARIO/00 1._Dr._Eduard_Baquero_-_Fedecacao.pdf Fedecacao. (2019). Informe de ejecución plan de ingresos, inversiones y gastos del fondo nacional del cacao durante el cuarto trimestre y consolidado vigencia 2018. 1–228. https://www.fedecacao.com.co/portal/images/INFORME_2018.pdf Ghorpade, J. (2012). GPGPU Processing in CUDA Architecturere. Advanced Computing: An International Journal, 3(1), 105–120. https://doi.org/10.5121/acij.2012.3109 Heredia Gómez, J. F., Rueda Gómez, J. P., & Ramírez Acuña, J. S. (2020). APLICACIÓN PARA ESTIMAR EL NIVEL DE MADUREZ EN LAS MAZORCAS DE CACAO HACIENDO USO DE VISIÓN POR COMPUTADOR Y APRENDIZAJE DE MÁQUINA “DELECO”. Universidad Autonoma de Bucaramanga Holguín, C., Díaz-Ricardo, Y., & Antonio Becerra-García, R. (n.d.). Ciencias Holguín, Revista trimestral, Año XX, abril-junio 2014 El lenguaje de programación Python/The programming language Python Ivet ChallengerPérez. Hunglc007. (2020). GitHub - hunglc007/tensorflow-yolov4-tflite: YOLOv4, YOLOv4tiny, YOLOv3, YOLOv3-tiny Implemented in Tensorflow 2.0, Android. Convert YOLO v4 .weights tensorflow, tensorrt and tflite. 2020. https://github.com/hunglc007/tensorflow-yolov4-tflite#readme Jaimes, Y., & , Aranzazu Fabio, R. E. y M. N. (2011). Behavior of introduced regional clones of Theobroma cacao toward the infection Moniliophthora roreri in three different regions of Colombia. http://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S012099652011000200002 Lee, J., Chirkov, N., Ignasheva, E., Pisarchyk, Y., Shieh, M., Riccardi, F., Sarokin, 66 R., Kulik, A., & Grundmann, M. (2019). On-Device Neural Net Inference with Mobile GPUs. http://arxiv.org/abs/1907.0198 Lin, T. Y., Maire, M., Belongie, S., Hays, J., Perona, P., Ramanan, D., Dollár, P., & Zitnick, C. L. (2014). Microsoft COCO: Common objects in context. Lecture Notes in Computer Science (Including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 8693 LNCS(PART 5), 740– 755. https://doi.org/10.1007/978-3-319-10602-1_48 Lutz Roeder. (2020). Netron. https://netron.app McMahon P, & Purwantara A. (2004). Diversity and management of Phytophthora in Southeast Asia. Diversity and Management of Phytophthora in Southeast Asia Polanco, E. R., Gicela, A., & Rodríguez Bióloga, V. (2015). Identificación y manejo de la pudrición parda de la mazorca (Phytophthora sp.) en cacao. www.corpoica.org.co Redmon, J., & Farhadi, A. (2018). YOLOv3: An Incremental Improvement Seekpng. (2020). Arbol Raices Borges - Tree And Roots Drawing PNG Image | Transparent PNG Free Download on SeekPNG. https://www.seekpng.com/ipng/u2w7q8o0t4t4q8o0_arbol-raices-borges-treeand-roots-drawing Serrano, S., Torres, C., & Talero, L. (2020). Cocoa Diseases (YOLOv4) | Kaggle Tan, D. S., Leong, R. N., Laguna, A. F., Ngo, C. A., Lao, A., Amalin, D., & Alvindia, D. (2016). A framework for measuring infection level on cacao pods. Proceedings - 2016 IEEE Region 10 Symposium, TENSYMP 2016, 384–389. https://doi.org/10.1109/TENCONSpring.2016.7519437 Tzutalin. (2015). LabelImg. In LabelImg Valencia Hugo. (2019, February). Entrenando redes neuronales: identificación de objetos. |
| dc.rights.uri.*.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/2.5/co/ |
| dc.rights.local.spa.fl_str_mv |
Abierto (Texto Completo) |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess http://purl.org/coar/access_right/c_abf2 |
| dc.rights.creativecommons.*.fl_str_mv |
Atribución-NoComercial-SinDerivadas 2.5 Colombia |
| rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-nd/2.5/co/ Abierto (Texto Completo) http://purl.org/coar/access_right/c_abf2 Atribución-NoComercial-SinDerivadas 2.5 Colombia |
| eu_rights_str_mv |
openAccess |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.coverage.spatial.spa.fl_str_mv |
Colombia |
| dc.publisher.grantor.spa.fl_str_mv |
Universidad Autónoma de Bucaramanga UNAB |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad Ingeniería |
| dc.publisher.program.spa.fl_str_mv |
Pregrado Ingeniería de Sistemas |
| institution |
Universidad Autónoma de Bucaramanga - UNAB |
| bitstream.url.fl_str_mv |
https://repository.unab.edu.co/bitstream/20.500.12749/13367/1/2020_Tesis_Juan_Sebastian_Serrano_Arenas.pdf https://repository.unab.edu.co/bitstream/20.500.12749/13367/2/2020_Licencia_Juan_Sebastian_Serrano_Arenas.pdf https://repository.unab.edu.co/bitstream/20.500.12749/13367/4/2020_Tesis_Juan_Sebastian_Serrano_Arenas.pdf.jpg https://repository.unab.edu.co/bitstream/20.500.12749/13367/5/2020_Licencia_Juan_Sebastian_Serrano_Arenas.pdf.jpg https://repository.unab.edu.co/bitstream/20.500.12749/13367/3/license.txt |
| bitstream.checksum.fl_str_mv |
45e5074eb1c3cc20b1f1adc16ab38e47 7cc6f018cfd07d9a179000c88a43ea10 82eb000dead7a70af4b0c62e9353b298 9514e618ea3832a5d95c4c9b001767a7 8a4605be74aa9ea9d79846c1fba20a33 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional | Universidad Autónoma de Bucaramanga - UNAB |
| repository.mail.fl_str_mv |
repositorio@unab.edu.co |
| _version_ |
1814277364357529600 |
| spelling |
Talero Sarmiento, Leonardo HernánMoreno Corzo, Feisar EnriqueNieves Peña, Néstor EdgardoSerrano Arenas, Juan SebastiánTorres Villamizar, Camilo AndrésTalero Sarmiento, Leonardo Hernán [0000031387]Moreno Corzo, Feisar Enrique [0001499008]Moreno Corzo, Feisar Enrique [jz75nEcAAAAJ&hl=es&oi=ao]Talero Sarmiento, Leonardo Hernán [0000-0002-4129-9163]Moreno Corzo, Feisar Enrique [0000-0002-5007-3422]Talero Sarmiento, Leonardo Hernán https://www.researchgate.net/profile/Leonardo-TaleroFeisar-Enrique-Moreno-Corzo-2169498891Colombia2021-05-25T15:21:48Z2021-05-25T15:21:48Z2020http://hdl.handle.net/20.500.12749/13367instname:Universidad Autónoma de Bucaramanga - UNABreponame:Repositorio Institucional UNABrepourl:https://repository.unab.edu.coSegún fuentes de Fedecacao, para el 2018 se determinó que la producción total de cacao Theobroma cacao L en Colombia superó las 56 mil toneladas, la segunda más alta en toda la historia puesto que hubo una reducción de la producción del 6% en comparación al 2017, al pasar de 60 mil a 56 mil toneladas (Fedecacao, 2018). La reducción se dio debido a los flujos de floración, al incremento de la enfermedad llamada Monilia y a las inundaciones causadas por las precipitaciones de comienzos de año. Teniendo en cuenta que la inspección semanal es un procedimiento confiable para evaluar el grado de infección en los cultivos, el presente proyecto desarrolla un prototipo de aplicación móvil que permita identificar mediante técnicas de inteligencia artificial y análisis de imágenes las mazorcas de cacao enfermas. Mediante el levantamiento de datos esta investigación realiza la consolidación de un conjunto de datos que contiene las enfermedades más preocupantes como son la Fitóftora y la Monilia. Para mejorar el procedimiento de inspección se entrena una máquina de aprendizaje con YOLOv4 obteniendo un 60% de precisión en la detección de mazorcas de cacao. Los resultados prometen una herramienta móvil útil a los agricultores e investigadores agrícolas para la toma de decisiones, permitiendo evaluar y realizar con precisión el proceso de inspección de las mazorcas sin la necesidad de un experto capacitado en el manejo fitosanitario en los cultivos de cacao.1. INTRODUCCIÓN ............................................................................................ 10 2. PLANTEAMIENTO DEL PROBLEMA ............................................................ 11 1.1. PLANTEAMIENTO DEL PROBLEMA ........................................................ 11 1.2. JUSTIFICACIÓN ......................................................................................... 13 3. OBJETIVOS .................................................................................................... 15 3.1. OBJETIVO GENERAL ............................................................................. 15 3.2. OBJETIVOS ESPECÍFICOS .................................................................... 15 3.3. RESULTADOS ESPERADOS .................................................................. 15 4. REVISIÓN DE LITERATURA ......................................................................... 16 4.1. Ecuación de búsqueda y artículos ........................................................ 16 4.2. Antecedentes .......................................................................................... 17 4.3. Conclusión .............................................................................................. 20 5. MARCO TEÓRICO ........................................................................................ 22 5.1. Agricultura y Cacao ................................................................................ 22 5.1.1. Cacao – Theobroma Cacao L ............................................................ 22 5.1.2. Cacao en Santander .......................................................................... 23 5.1.3. Enfermedades del Cacao ................................................................... 24 5.2. Procesamiento de Imágenes ................................................................. 26 5.2.1. Imágenes ........................................................................................... 26 5.2.2. Herramientas ...................................................................................... 26 5.2.3. Red Neuronal Convolucional .......................................................... 27 5.2.4. Segmentación de imágenes ............................................................ 28 5.3. Inteligencia Artificial ............................................................................... 29 5.3.1. Aprendizaje automático ...................................................................... 29 5.3.2. Aprendizaje Profundo ......................................................................... 30 6. DISEÑO METODOLÓGICO ............................................................................ 31 6.1. Levantamiento del conjunto de datos ................................................... 31 6.2. Diseño y desarrollo del prototipo funcional ......................................... 31 6.3. Entrenamiento y calibración de la máquina de aprendizaje. .............. 38 6.3.1. Evaluación y calibración ..................................................................... 39 7. RESULTADOS ................................................................................................ 40 7.1. Diseño del prototipo de aplicación móvil para la identificación de mazorcas de cacao enfermas con Monilia y/o Fitóftora: ..................................................... 40 7.1.1. Requerimientos .................................................................................. 40 7.1.2. Casos de uso ..................................................................................... 41 7.1.3. Diagramas de actividades .................................................................. 42 7.1.4. Diagrama de secuencia ...................................................................... 42 7.1.5. Diagrama de clases ............................................................................ 43 7.2. Conjunto de datos consolidado ................................................................. 44 7.2.1. Visita y tipos de cacao ........................................................................ 44 7.2.2. Captura de imágenes con mazorcas enfermas y sanas ..................... 45 7.2.3. Proceso para etiquetar (LabelImg) ..................................................... 45 7.2.4. Conjunto de datos consolidado y Kaggle ........................................... 47 7.3. Máquina de detección para la identificación de mazorcas de cacao enfermas con Monilia y/o Fitóftora. ..................................................................... 48 7.3.1. Darknet ............................................................................................... 49 7.3.2. Google Colab ..................................................................................... 49 7.3.3. Datos y etiquetas................................................................................ 50 7.3.4. Entrenamiento .................................................................................... 50 7.3.5. Modelo entrenado .............................................................................. 52 7.4. Prototipo de aplicación funcional para la detección de mazorcas de cacao enfermas con Monilia y/o Fitóftora. ..................................................................... 53 7.4.1. Repositorio TensorFlow (YOLOv4-tflite) ............................................. 54 7.4.2. Modelo y conversión de pesos (YOLO v4 a TensorFlow Lite) ........... 55 7.4.3. Configuración etiquetas y modelo personalizado ............................... 55 7.4.4. Prototipo de aplicación móvil .............................................................. 56 8. DISCUSIONES ................................................................................................ 58 9. CONCLUSIONES ........................................................................................... 59 10. TRABAJOS FUTUROS ............................................................................... 60 11. REFERENCIAS ........................................................................................... 61 12. ANEXOS ...................................................................................................... 67PregradoAccording to Fedecacao sources, for 2018 it was determined that the total production of Theobroma cacao L cocoa in Colombia exceeded 56 thousand tons, the second highest in history since there was a reduction in production of 6% compared to 2017 , going from 60 thousand to 56 thousand tons (Fedecacao, 2018). The reduction was due to the flowering flows, the increase in the disease called Monilia and the floods caused by the rains at the beginning of the year. Taking into account that the weekly inspection is a reliable procedure to assess the degree of infection in the crops, this project develops a mobile application prototype that allows the diseased cocoa pods to be identified using artificial intelligence techniques and image analysis. By collecting data, this research consolidates a data set that contains the most worrisome diseases such as Phytophthora and Monilia. To improve the inspection procedure, a learning machine is trained with YOLOv4, obtaining 60% precision in the detection of cocoa pods. The results promise a mobile tool useful to farmers and agricultural researchers for decision-making, allowing the evaluation and precision of the pod inspection process without the need for an expert trained in phytosanitary management in cocoa crops.application/pdfspahttp://creativecommons.org/licenses/by-nc-nd/2.5/co/Abierto (Texto Completo)info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Atribución-NoComercial-SinDerivadas 2.5 ColombiaPrototipo de aplicación móvil para la identificación de mazorcas de cacao enfermas haciendo uso de visión por computadora y aprendizaje de máquinaMobile application prototype for the identification of diseased cocoa pods using computer vision and machine learningIngeniero de SistemasUniversidad Autónoma de Bucaramanga UNABFacultad IngenieríaPregrado Ingeniería de Sistemasinfo:eu-repo/semantics/bachelorThesisTrabajo de Gradohttp://purl.org/coar/resource_type/c_7a1fhttp://purl.org/redcol/resource_type/TPSystems engineerTechnological innovationsTheobroma cacao lCocoa podsCocoa diseasesArtificial intelligenceImage analysisPhytosanitary managementCropsPsychotropic plantsMobile communication systemsIngeniería de sistemasInnovaciones tecnológicasCultivosPlantas psicotrópicasTeléfono celularSistemas móviles de comunicacionesMazorcas de cacaoEnfermedades del cacaoInteligencia artificialAnálisis de imágenesManejo fitosanitarioAlegre, E., Pajares, G., & De La Escalera, A. (2016). Conceptos y Métodos en Visión Por Computador .Bagnato, J. I. (2018, November 29). Convolutional Neural Networks: La Teoría explicada en Español | Aprende Machine Learning. https://www.aprendemachinelearning.com/como-funcionan-las-convolutionalneural-networks-vision-por-ordenador/Bancolombia. (2018). Guía completa sobre el cultivo de cacao.C, N. C. (2010). Nvidia cuda. Compare A Journal Of Comparative EducationChang, D. T. (n.d.). Concept-Oriented Deep LearningClúster Santander - Cluster Cacao. (n.d.). Retrieved April 14, 2020, from http://clustersantander.com/bienvenido-cluster-cacaoCorpoica, T., & Suiza, L. (2019). Tcs 01Cowley, J. (2018). Redes neuronales convolucionales. Ibm, 1. https://www.ibm.com/developerworks/ssa/library/cc-convolutional-neuralnetwork-vision-recognition/index.htmlEl Naqa, I., & Murphy, M. J. (2015). What Is Machine Learning? In Machine Learning in Radiation Oncology (pp. 3–11). Springer International Publishing. https://doi.org/10.1007/978-3-319-18305-3_1Española, R. A., & Española, R. A. (n.d.-a). -cultura. Diccionario de La Lengua Española. Retrieved February 21, 2020, from http://buscon.rae.es/draeI/SrvltGUIBusUsual?origen=RAE&LEMA=-culturaEspañola, R. A., & Española, R. A. (n.d.-b). agro-. Diccionario de La Lengua Española. Retrieved February 21, 2020, from http://buscon.rae.es/draeI/SrvltGUIBusUsual?origen=RAE&LEMA=agroEspinosa-garcía, J. A., Uresti-gil, J., Vélez-izquierdo, A., Moctezuma-lópez, G., & Daniel, H. (2015). Productividad y rentabilidad potencial del cacao ( Theobroma cacao L .) en el trópico mexicano * Productivity and profit potential of cocoa ( Theobroma cacao L .) in the Mexican tropics Resumen Introducción. Revista Mexicana de Ciencias Agrícolas, 6, 1051–1063.Experts System Team. (2017). What is Machine Learning? A definition - Expert System. https://expertsystem.com/machine-learning-definition/Fedecacao. (2018). Federacion Nacional De Cacaoteros Fondo Nacional Del Cacao. On Line, 53. https://www.fedecacao.com.co/portal/images/MEMORIAS_V_SEMINARIO/00 1._Dr._Eduard_Baquero_-_Fedecacao.pdfFedecacao. (2019). Informe de ejecución plan de ingresos, inversiones y gastos del fondo nacional del cacao durante el cuarto trimestre y consolidado vigencia 2018. 1–228. https://www.fedecacao.com.co/portal/images/INFORME_2018.pdfICA. (2012). Manejo fitosanitario del cultivo del cacao (Theobroma cacao L): medidas para la temporada invernal.Institute of Electrical and Electronics Engineers. (2017). 2017 IEEE 2nd 62 International Conference on Big Data Analysis (ICBDA 2017) : March 10-12, 2017, Beijing, China. 721–724.Lutz, M. (2007). Learning Python. In Icarus. https://doi.org/10.1016/00191035(89)90077-8Martín Abadi, A. A. P. B. E. B., Zhifeng Chen, C. C. G. S. C. A. D., Jeffrey Dean, M. D. S. G. I. G., Andrew Harp, G. I. M. I. R. J. Y. J., Lukasz Kaiser, M. K. J. L. D. M. M. S., Rajat Monga, S. M. D. M. C. O. J. S., Benoit Steiner, I. S. K. T. P. T., Vincent Vanhoucke, V. V. F. V., Oriol Vinyals, P. W. M. W. M. W., & Yuan Yu y Xiaoqiang Zheng. (2015). TensorFlow White Papers. https://www.tensorflow.org/about/bibRedmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You only look once: Unified, real-time object detection. Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2016-Decem, 779– 788. https://doi.org/10.1109/CVPR.2016.91Redmon Joseph, & Farhadi, A. (2018). YOLO: detección de objetos en tiempo real. https://pjreddie.com/darknet/yolo/Society, N. G. (2019). The Development of Agriculture | National Geographic Society. Aug. 19. https://www.nationalgeographic.org/article/developmentagriculture/12th-gradeYanet, L., Contreras, S., Luz, A., & Riaño, R. (2013). Aislamiento de microorganismos para control biológico de Moniliophthora roreri Isolation of microorganisms for biological control of Moniliophthora roreri.Agrotrading. (2016). Tipos de Cacao. http://agrotradingvenezuela.com.ve/cw_site/1/link_2.php?id=26&op=menuAriandi, V., Kurnia, H., Heriyanto, & Marry, H. (2019). Expert system for disease diagnosis in cocoa plant using android-based forward chaining method. Journal of Physics: Conference Series, 1339(1). https://doi.org/10.1088/17426596/1339/1/012009Basri, Harli, Indrabayu, Areni, I. S., & Tamin, R. (2019). Image Processing System for Early Detection of Cocoa Fruit Pest Attack. Journal of Physics: Conference Series, 1244(1). https://doi.org/10.1088/1742-6596/1244/1/012003Bowers, J. H., Bailey, B. A., Hebbar, P. K., Sanogo, S., & Lumsden, R. D. (2001). The Impact of Plant Diseases on World Chocolate Production. Plant Health Progress, 2(1), 12. https://doi.org/10.1094/php-2001-0709-01-rvCalderón, A., & Valverde, Rebaza, S. (2007). Universidad Nacional de Trujillo Metodologías Ágiles. 37. https://s3.amazonaws.com/academia.edu.documents/43784053/METODOLO GIAS_AGILES.pdf?AWSAccessKeyId=AKIAIWOWYYGZ2Y53UL3A&Expires= 1555814033&Signature=21xq%2F4v4%2BMjp6HMPN7iEd5iZpVc%3D&respo nse-content-disposition=inline%3B filename%3DUniversidad_Nacional_de_Castillo, J. A. (2019). RGB qué es esto y para qué se utiliza en informática. https://www.profesionalreview.com/2019/01/20/rgb-que-es/De Oliveira, J. R. C. P., & Romero, R. A. F. (2018). Transfer Learning Based Model for Classification of Cocoa Pods. Proceedings of the International Joint Conference on Neural Networks, 2018-July, 1–6. https://doi.org/10.1109/IJCNN.2018.8489126Diego Calvo. (2017, July 20). http://www.diegocalvo.es/red-neuronalconvolucional/Duarte, A. O., & C, M. R. (2008). Las Metodologías de Desarrollo Ágil como una Oportunidad para la Ingeniería del Software Educativo. Revista Avances En Sistemas e Informática, 5(2), 159–171Figueroa, G. (2005). Convolución y transformadas. https://tecdigital.tec.ac.cr/revistamatematica/cursoslinea/EcuacionesDiferenciales/EDO-Geo/edo-cap5-geo/laplace/node7.htmlFlorez, O. U. (2018). Diccionario Inglés-Español de Términos Técnicos en Inteligencia Artificial (IA). c, 1–20. https://github.com/capitalone/AI_Dictionary_English_SpanishFolch, S. (2010). Modos o modelos de color HSB (o HSV) y códigos hexadecimales: qué son y usos específicos. https://www.comunicacionmultimedia.info/2010/05/modos-o-modelos-de-color-hsb-o-hsv-y.htmlFrucci, M., & di Baja, G. S. (2008). From Segmentation to Binarization of GrayLevel Images. Journal of Pattern Recognition Research, 3(1), 1–13. https://doi.org/10.13176/11.54Fuentes, S., Chacon, G., Torrico, D. D., Zarate, A., & Viejo, C. G. (2019). Spatial variability of aroma profiles of cocoa trees obtained through computer vision and machine learning modelling: A cover photography and high spatial remote sensing application. Sensors (Switzerland), 19(14). https://doi.org/10.3390/s19143054Gamboa, A. A., Cáceres, P. A., Lamos, H., Zárate, D. A., & Puentes, D. E. (2019). Predictive model for cocoa yield in Santander using Supervised Machine Learning. 2019 22nd Symposium on Image, Signal Processing and Artificial Vision, STSIVA 2019 - Conference Proceedings. https://doi.org/10.1109/STSIVA.2019.8730258ICA. (2012). Manejo fitosanitario del cultivo del cacao (Theobroma cacao L): medidas para la temporada invernal.Jaimes, Y. Y., Ribeyre, F., Gonzalez, C., Rojas, J., Furtado, E. L., & Cilas, C. (2019). Factors affecting the dynamics of frosty pod rot in the main cocoa areas of Santander State, Colombia. Plant Disease, 103(7), 1665–1673. https://doi.org/10.1094/PDIS-10-18-1761-REJoshua Lanzarini. (2018, July 5). Organic Farming - Person holding leafed plant photo – Free Food Image on Unsplash. https://unsplash.com/photos/FGvQKMP-iXYLagos-Ortiz, K., Medina-Moreira, J., Alarcón-Salvatierra, A., Morán, M. F., del Cioppo-Morstadt, J., & Valencia-García, R. (2019). Decision Support System for the Control and Monitoring of Crops. In Advances in Intelligent Systems and Computing (Vol. 901, pp. 20–28). https://doi.org/10.1007/978-3-03010728-4_3Lomotey, R. K., Mammay, A., & Orji, R. (2018). Mobile technology for smart agriculture: Deployment case for cocoa production. International Journal of Sustainable Agricultural Management and Informatics, 4(2), 83–97.https://doi.org/10.1504/IJSAMI.2018.094810Nembot, C., Takam Soh, P., ten Hoopen, G. M., & Dumont, Y. (2018). Modeling the temporal evolution of cocoa black pod rot disease caused by Phytophthora megakarya. Mathematical Methods in the Applied Sciences, 41(18), 8816– 8843. https://doi.org/10.1002/mma.5206Putra, B. T. W., Soni, P., Marhaenanto, B., Pujiyanto, Sisbudi Harsono, S., & Fountas, S. (2018). Using information from images for plantation monitoring: A review of solutions for smallholders. Information Processing in Agriculture, 7(1), 109–119. https://doi.org/10.1016/j.inpa.2019.04.005RAE. (2014a). agricultura | Definición | Diccionario de la lengua española | RAE - ASALE. https://dle.rae.es/agriculturaRAE. (2014b). agro, agra | Definición | Diccionario de la lengua española | RAE - ASALE. https://dle.rae.es/agro?m=formRAE. (2014c). cultura | Definición | Diccionario de la lengua española | RAE - ASALE. https://dle.rae.es/culturaSantander, C. (2019). Clúster Santander - Cluster Cacao. http://clustersantander.com/bienvenido-cluster-cacaoSeekpng. (n.d.). Arbol Raices Borges - Tree And Roots Drawing PNG Image | Transparent PNG Free Download on SeekPNG. Retrieved May 6, 2020, from https://www.seekpng.com/ipng/u2w7q8o0t4t4q8o0_arbol-raices-borges-treeand-roots-drawingShobha, G., & Rangaswamy, S. (2018). Machine Learning. Handbook of Statistics, 38, 197–228. https://doi.org/10.1016/BS.HOST.2018.07.004Stanford, L. (2015). Introduction to Computer Vision. https://ai.stanford.edu/~syyeung/cvweb/tutorial1.html TanTan, D. S., Leong, R. N., Laguna, A. F., Ngo, C. A., Lao, A., Amalin, D., & Alvindia, D. (2016). A framework for measuring infection level on cacao pods. Proceedings - 2016 IEEE Region 10 Symposium, TENSYMP 2016, 384–389. https://doi.org/10.1109/TENCONSpring.2016.7519437Tan, D. S., Leong, R. N., Laguna, A. F., Ngo, C. A., Lao, A., Amalin, D. M., & Alvindia, D. G. (2018). AuToDiDAC: Automated Tool for Disease Detection and Assessment for Cacao Black Pod Rot. Crop Protection, 103(October 2017), 98–102. https://doi.org/10.1016/j.cropro.2017.09.017Tzutalin. (2015). LabelImg. In LabelImg.Actualidad/tensorflow-dev-summit-2020--dias-11-y-12-de-marzo-en-en-sunnyvalecalifornia. (n.d.).Aime, M. C., & Phillips-Mora, W. (2005). The causal agents of witches’ broom and frosty pod rot of cacao (chocolate, Theobroma cacao) form a new lineage of Marasmiaceae. Mycologia, 97(5), 1012–1022. https://doi.org/10.1080/15572536.2006.11832751Basri, Harli, Indrabayu, Areni, I. S., & Tamin, R. (2019). Image Processing System for Early Detection of Cocoa Fruit Pest Attack. Journal of Physics: Conference Series, 1244(1). https://doi.org/10.1088/1742-6596/1244/1/012003Bochkovskiy, A. (2020). YOLOv4 — the most accurate real-time neural network on MS COCO dataset. | by Aleksey Bochkovskiy | Medium. 2020. 65 https://medium.com/@alexeyab84/yolov4-the-most-accurate-real-time-neuralnetwork-on-ms-coco-dataset-73adfd3602feBochkovskiy, A., Wang, C.-Y., & Liao, H.-Y. M. (2020a). YOLOv4: Optimal Speed and Accuracy of Object Detection. http://arxiv.org/abs/2004.10934Bochkovskiy, A., Wang, C.-Y., & Liao, H.-Y. M. (2020b). YOLOv4: Optimal Speed and Accuracy of Object DetectionColaboratory. (2020). Colaboratory – Google. https://research.google.com/colaboratory/faq.html#resource-limitsDias Rafa. (2016, January). ¿Qué es la tecnología CUDA?Espinosa-García, J., … J. U.-G.-R. mexicana, & 2015, U. (2015). Productividad y rentabilidad potencial del cacao (Theobroma cacao L.) en el trópico mexicano. Scielo.Org.Mx. http://www.scielo.org.mx/scielo.php?pid=S200709342015000500012&script=sci_arttextEvans, H. . (1981). Pod rot of cacao caused by Moniliophthora (Monilia) roreri. https://www.cabdirect.org/cabdirect/abstract/19811373782Fedecacao. (2018). Federacion Nacional De Cacaoteros Fondo Nacional Del Cacao. On Line, 53. https://www.fedecacao.com.co/portal/images/MEMORIAS_V_SEMINARIO/00 1._Dr._Eduard_Baquero_-_Fedecacao.pdfFedecacao. (2019). Informe de ejecución plan de ingresos, inversiones y gastos del fondo nacional del cacao durante el cuarto trimestre y consolidado vigencia 2018. 1–228. https://www.fedecacao.com.co/portal/images/INFORME_2018.pdfGhorpade, J. (2012). GPGPU Processing in CUDA Architecturere. Advanced Computing: An International Journal, 3(1), 105–120. https://doi.org/10.5121/acij.2012.3109Heredia Gómez, J. F., Rueda Gómez, J. P., & Ramírez Acuña, J. S. (2020). APLICACIÓN PARA ESTIMAR EL NIVEL DE MADUREZ EN LAS MAZORCAS DE CACAO HACIENDO USO DE VISIÓN POR COMPUTADOR Y APRENDIZAJE DE MÁQUINA “DELECO”. Universidad Autonoma de BucaramangaHolguín, C., Díaz-Ricardo, Y., & Antonio Becerra-García, R. (n.d.). Ciencias Holguín, Revista trimestral, Año XX, abril-junio 2014 El lenguaje de programación Python/The programming language Python Ivet ChallengerPérez.Hunglc007. (2020). GitHub - hunglc007/tensorflow-yolov4-tflite: YOLOv4, YOLOv4tiny, YOLOv3, YOLOv3-tiny Implemented in Tensorflow 2.0, Android. Convert YOLO v4 .weights tensorflow, tensorrt and tflite. 2020. https://github.com/hunglc007/tensorflow-yolov4-tflite#readmeJaimes, Y., & , Aranzazu Fabio, R. E. y M. N. (2011). Behavior of introduced regional clones of Theobroma cacao toward the infection Moniliophthora roreri in three different regions of Colombia. http://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S012099652011000200002Lee, J., Chirkov, N., Ignasheva, E., Pisarchyk, Y., Shieh, M., Riccardi, F., Sarokin, 66 R., Kulik, A., & Grundmann, M. (2019). On-Device Neural Net Inference with Mobile GPUs. http://arxiv.org/abs/1907.0198Lin, T. Y., Maire, M., Belongie, S., Hays, J., Perona, P., Ramanan, D., Dollár, P., & Zitnick, C. L. (2014). Microsoft COCO: Common objects in context. Lecture Notes in Computer Science (Including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 8693 LNCS(PART 5), 740– 755. https://doi.org/10.1007/978-3-319-10602-1_48Lutz Roeder. (2020). Netron. https://netron.appMcMahon P, & Purwantara A. (2004). Diversity and management of Phytophthora in Southeast Asia. Diversity and Management of Phytophthora in Southeast AsiaPolanco, E. R., Gicela, A., & Rodríguez Bióloga, V. (2015). Identificación y manejo de la pudrición parda de la mazorca (Phytophthora sp.) en cacao. www.corpoica.org.coRedmon, J., & Farhadi, A. (2018). YOLOv3: An Incremental ImprovementSeekpng. (2020). Arbol Raices Borges - Tree And Roots Drawing PNG Image | Transparent PNG Free Download on SeekPNG. https://www.seekpng.com/ipng/u2w7q8o0t4t4q8o0_arbol-raices-borges-treeand-roots-drawingSerrano, S., Torres, C., & Talero, L. (2020). Cocoa Diseases (YOLOv4) | KaggleTan, D. S., Leong, R. N., Laguna, A. F., Ngo, C. A., Lao, A., Amalin, D., & Alvindia, D. (2016). A framework for measuring infection level on cacao pods. Proceedings - 2016 IEEE Region 10 Symposium, TENSYMP 2016, 384–389. https://doi.org/10.1109/TENCONSpring.2016.7519437Tzutalin. (2015). LabelImg. In LabelImgValencia Hugo. (2019, February). Entrenando redes neuronales: identificación de objetos.ORIGINAL2020_Tesis_Juan_Sebastian_Serrano_Arenas.pdf2020_Tesis_Juan_Sebastian_Serrano_Arenas.pdfTesisapplication/pdf2676996https://repository.unab.edu.co/bitstream/20.500.12749/13367/1/2020_Tesis_Juan_Sebastian_Serrano_Arenas.pdf45e5074eb1c3cc20b1f1adc16ab38e47MD51open access2020_Licencia_Juan_Sebastian_Serrano_Arenas.pdf2020_Licencia_Juan_Sebastian_Serrano_Arenas.pdfLicenciaapplication/pdf2276777https://repository.unab.edu.co/bitstream/20.500.12749/13367/2/2020_Licencia_Juan_Sebastian_Serrano_Arenas.pdf7cc6f018cfd07d9a179000c88a43ea10MD52metadata only accessTHUMBNAIL2020_Tesis_Juan_Sebastian_Serrano_Arenas.pdf.jpg2020_Tesis_Juan_Sebastian_Serrano_Arenas.pdf.jpgIM Thumbnailimage/jpeg5367https://repository.unab.edu.co/bitstream/20.500.12749/13367/4/2020_Tesis_Juan_Sebastian_Serrano_Arenas.pdf.jpg82eb000dead7a70af4b0c62e9353b298MD54open access2020_Licencia_Juan_Sebastian_Serrano_Arenas.pdf.jpg2020_Licencia_Juan_Sebastian_Serrano_Arenas.pdf.jpgIM Thumbnailimage/jpeg11460https://repository.unab.edu.co/bitstream/20.500.12749/13367/5/2020_Licencia_Juan_Sebastian_Serrano_Arenas.pdf.jpg9514e618ea3832a5d95c4c9b001767a7MD55metadata only accessLICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://repository.unab.edu.co/bitstream/20.500.12749/13367/3/license.txt8a4605be74aa9ea9d79846c1fba20a33MD53open access20.500.12749/13367oai:repository.unab.edu.co:20.500.12749/133672021-06-03 10:13:54.085open accessRepositorio Institucional | Universidad Autónoma de Bucaramanga - UNABrepositorio@unab.edu.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 |