Sistema de seguimiento de crecimiento de cultivo de cannabis utilizando técnicas de visión artificial

La industria agrícola necesita de un control riguroso en sus cultivos para asegurar un estándar adecuado en la calidad en su producto final, y para cumplir con esa necesidad se usan diversas técnicas y herramientas para tratar con esas necesidades. Por esa razón, el objetivo de este trabajo es elabo...

Full description

Autores:: Cala Suárez, José Daniel

Tipo de recurso:: Trabajo de grado de pregrado

Fecha de publicación:: 2024

Institución:: Universidad Autónoma de Bucaramanga - UNAB

Repositorio:: Repositorio UNAB

Idioma:: spa

id	UNAB2_1e425894c4711d74e7ad71c802d6ed26
oai_identifier_str	oai:repository.unab.edu.co:20.500.12749/27540
network_acronym_str	UNAB2
network_name_str	Repositorio UNAB
repository_id_str
dc.title.spa.fl_str_mv	Sistema de seguimiento de crecimiento de cultivo de cannabis utilizando técnicas de visión artificial
dc.title.translated.spa.fl_str_mv	System for monitoring the growth of cannabis crops using computer vision techniques
title	Sistema de seguimiento de crecimiento de cultivo de cannabis utilizando técnicas de visión artificial
spellingShingle	Sistema de seguimiento de crecimiento de cultivo de cannabis utilizando técnicas de visión artificial Mechatronic Diseases Crop Deep learning Computer vision Convolutional neural networks (CNNs) Semantic segmentation Transfer learning Graphical interface Natural computing Artificial intelligence Algorithm Deep learning (Machine learning) Machine theory Mecatrónica Computación natural Inteligencia artificial Algoritmo Aprendizaje profundo (Aprendizaje automático) Teoría de las máquinas Enfermedades Cultivo Cannabis Aprendizaje profundo Visión artificial Redes neuronales convolucionales (CNNs) Segmentación semántica U-Net Aprendizaje por transferencia Interfaz gráfica
title_short	Sistema de seguimiento de crecimiento de cultivo de cannabis utilizando técnicas de visión artificial
title_full	Sistema de seguimiento de crecimiento de cultivo de cannabis utilizando técnicas de visión artificial
title_fullStr	Sistema de seguimiento de crecimiento de cultivo de cannabis utilizando técnicas de visión artificial
title_full_unstemmed	Sistema de seguimiento de crecimiento de cultivo de cannabis utilizando técnicas de visión artificial
title_sort	Sistema de seguimiento de crecimiento de cultivo de cannabis utilizando técnicas de visión artificial
dc.creator.fl_str_mv	Cala Suárez, José Daniel
dc.contributor.advisor.none.fl_str_mv	González Acevedo, Hernando
dc.contributor.author.none.fl_str_mv	Cala Suárez, José Daniel
dc.contributor.cvlac.spa.fl_str_mv	González Acevedo, Hernando [544655]
dc.contributor.googlescholar.spa.fl_str_mv	González Acevedo, Hernando [V8tga0cAAAAJ]
dc.contributor.orcid.spa.fl_str_mv	González Acevedo, Hernando [0000-0001-6242-3939]
dc.contributor.scopus.spa.fl_str_mv	González Acevedo, Hernando [55821231500]
dc.contributor.researchgate.spa.fl_str_mv	González Acevedo, Hernando [Hernando_Gonzalez3]
dc.contributor.researchgroup.spa.fl_str_mv	Grupo de Investigación Control y Mecatrónica - GICYM
dc.contributor.apolounab.spa.fl_str_mv	González Acevedo, Hernando [hernando-gonzalez-acevedo]
dc.subject.keywords.spa.fl_str_mv	Mechatronic Diseases Crop Deep learning Computer vision Convolutional neural networks (CNNs) Semantic segmentation Transfer learning Graphical interface Natural computing Artificial intelligence Algorithm Deep learning (Machine learning) Machine theory
topic	Mechatronic Diseases Crop Deep learning Computer vision Convolutional neural networks (CNNs) Semantic segmentation Transfer learning Graphical interface Natural computing Artificial intelligence Algorithm Deep learning (Machine learning) Machine theory Mecatrónica Computación natural Inteligencia artificial Algoritmo Aprendizaje profundo (Aprendizaje automático) Teoría de las máquinas Enfermedades Cultivo Cannabis Aprendizaje profundo Visión artificial Redes neuronales convolucionales (CNNs) Segmentación semántica U-Net Aprendizaje por transferencia Interfaz gráfica
dc.subject.lemb.spa.fl_str_mv	Mecatrónica Computación natural Inteligencia artificial Algoritmo Aprendizaje profundo (Aprendizaje automático) Teoría de las máquinas
dc.subject.proposal.spa.fl_str_mv	Enfermedades Cultivo Cannabis Aprendizaje profundo Visión artificial Redes neuronales convolucionales (CNNs) Segmentación semántica U-Net Aprendizaje por transferencia Interfaz gráfica
description	La industria agrícola necesita de un control riguroso en sus cultivos para asegurar un estándar adecuado en la calidad en su producto final, y para cumplir con esa necesidad se usan diversas técnicas y herramientas para tratar con esas necesidades. Por esa razón, el objetivo de este trabajo es elaborar una metodología para obtención de una base de datos y construir un programa de entrenamiento con Redes Neuronales Convolucionales (CNN) capaz de detectar enfermedades en plantas de cannabis, tales como Botritis en tapa inicial, intermedia y avanzada, y deficiencias nutricionales provocadas por falta de potasio y magnesio). En adición, se busca crear una interfaz gráfica que permita la carga de imágenes nuevas del cultivo, realice predicciones basadas en el entrenamiento y facilite la toma de decisiones por parte del usuario final acerca de los correctivos para la salud del cultivo.
publishDate	2024
dc.date.accessioned.none.fl_str_mv	2024-11-26T14:23:17Z
dc.date.available.none.fl_str_mv	2024-11-26T14:23:17Z
dc.date.issued.none.fl_str_mv	2024-11-25
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.hasversion.none.fl_str_mv	info:eu-repo/semantics/acceptedVersion
dc.type.redcol.none.fl_str_mv	http://purl.org/redcol/resource_type/TP
format	http://purl.org/coar/resource_type/c_7a1f
status_str	acceptedVersion
dc.identifier.uri.none.fl_str_mv	http://hdl.handle.net/20.500.12749/27540
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/20.500.12749/27540
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	[1] J. A. Ramirez Ramos, J. C. Sotelo, and E. B. Gualdron, “Detección y clasificación de anomalías en hojas de cannabis haciendo uso de visión computarizada,” 2020 IX International Congress of Mechatronics Engineering and Automation (CIIMA), pp. 1–4, Nov. 2020, doi: 10.1109/ciima50553.2020.9290319. [2] A. V. Panchal, S. C. Patel, K. Bagyalakshmi, P. Kumar, I. R. Khan, and M. Soni, “Image-based Plant Diseases Detection using Deep Learning,” Materials Today: Proceedings, vol. 80, pp. 3500–3506, 2023, doi: 10.1016/j.matpr.2021.07.281. [3] R. Rattan and J. O. Shiney, “Comparison and Analysis of CNN Based Algorithms for Plant Disease Identification,” 2023 Advanced Computing and Communication Technologies for High Performance Applications (ACCTHPA), vol. 893, pp. 1–6, Jan. 2023, doi: 10.1109/accthpa57160.2023.10083342. [4] O. Mzoughi and I. Yahiaoui, “Deep learning-based segmentation for disease identification,” Ecological Informatics, vol. 75, p. 102000, Jul. 2023, doi: 10.1016/j.ecoinf.2023.102000. [5] M. Shoaib et al., “Deep learning-based segmentation and classification of leaf images for detection of tomato plant disease,” Frontiers in Plant Science, vol. 13, Oct. 2022, doi: 10.3389/fpls.2022.1031748. [6] M. Shoaib et al., “A deep learning-based model for plant lesion segmentation, subtype identification, and survival probability estimation,” Frontiers in Plant Science, vol. 13, Dec. 2022, doi: 10.3389/fpls.2022.1095547. [7] L. Lei, Z. Wang, R. Wang, T. Shen, Q. Yang, and L. Yang, “Improved Deeplabv3+ Method for the Panax Notoginseng Disease Segmentation,” 2023 11th International Conference on Information Systems and Computing Technology (ISCTech), pp. 285–289, Jul. 2023, doi: 10.1109/isctech60480.2023.00058. [8] S. Abinaya, K. U. Kumar, and A. S. Alphonse, “Cascading Autoencoder With Attention Residual U-Net for Multi-Class Plant Leaf Disease Segmentation and Classification,” IEEE Access, vol. 11, pp. 98153–98170, 2023, doi: 10.1109/access.2023.3312718. [9] O. Ronneberger, P. Fischer, and T. Brox, “U-NET: Convolutional Networks for Biomedical Image Segmentation,” arXiv (Cornell University), Jan. 2015, doi: 10.48550/arxiv.1505.04597. [10] K. He, X. Zhang, S. Ren, and J. Sun, “Deep residual learning for image recognition,” arXiv (Cornell University), Jan. 2015, doi: 10.48550/arxiv.1512.03385. [11] T.-Y. Lin et al., “Microsoft COCO: Common Objects in context,” arXiv (Cornell University), Jan. 2014, doi: 10.48550/arxiv.1405.0312. [12] S. Li, L. Song, X. Wu, Z. Hu, Y.-M. Cheung, and X. Yao, “Multi-Class imbalance classification based on data distribution and adaptive weights,” IEEE Transactions on Knowledge and Data Engineering, vol. 36, no. 10, pp. 5265–5279, Apr. 2024, doi: 10.1109/tkde.2024.3384961. [13] D. C. Liyanage, R. Hudjakov, and M. Tamre, “Hyperspectral Imaging Methods Improve RGB Image Semantic Segmentation of Unstructured Terrains,” 2020 International Conference Mechatronic Systems and Materials (MSM), Jul. 2020, doi: 10.1109/msm49833.2020.9201738. [14] Gunawan, M. F. Fadillah, E. Prakasa, B. Sugiarto, T. N. Suharsono, and R. N. Sukmana, “Road Segmentation with U-Net Architecture Using Jetson AGX Xavier For Autonomous Vehicle,” 2022 16th International Conference on Telecommunication Systems, Services, and Applications (TSSA), vol. 8, pp. 1–5, Oct. 2022, doi: 10.1109/tssa56819.2022.10063891. [15] C. A. R. Goyzueta, J. E. C. De la Cruz, and W. A. M. Machaca, “Integration of U-Net, ResU-Net and DeepLab Architectures with Intersection Over Union metric for Cells Nuclei Image Segmentation,” 2021 IEEE Engineering International Research Conference (EIRCON), pp. 1–4, Oct. 2021, doi: 10.1109/eircon52903.2021.9613150.
dc.relation.uriapolo.spa.fl_str_mv	https://apolo.unab.edu.co/en/persons/hernando-gonzalez-acevedo
dc.rights.coar.fl_str_mv	http://purl.org/coar/access_right/c_abf2
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.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) Atribución-NoComercial-SinDerivadas 2.5 Colombia http://purl.org/coar/access_right/c_abf2
dc.format.mimetype.spa.fl_str_mv	application/pdf
dc.coverage.spatial.spa.fl_str_mv	Siachoque (Boyacá, Colombia)
dc.coverage.temporal.spa.fl_str_mv	Septiembre 2022
dc.coverage.campus.spa.fl_str_mv	UNAB Campus Bucaramanga
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 Mecatrónica
dc.publisher.programid.none.fl_str_mv	IMK-1789
institution	Universidad Autónoma de Bucaramanga - UNAB
bitstream.url.fl_str_mv	https://repository.unab.edu.co/bitstream/20.500.12749/27540/3/Tesis.pdf https://repository.unab.edu.co/bitstream/20.500.12749/27540/4/Licencia.pdf https://repository.unab.edu.co/bitstream/20.500.12749/27540/5/Tesis.pdf.jpg https://repository.unab.edu.co/bitstream/20.500.12749/27540/6/Licencia.pdf.jpg https://repository.unab.edu.co/bitstream/20.500.12749/27540/2/license.txt
bitstream.checksum.fl_str_mv	77eeb363e38d2c7eff283d344a42aaa2 73682fedb3bd78cf6b57d25583d27924 fc8b21d57ceca6473a47858a18c9ba56 1f61860aefd2e072bccd2d5729e530f5 3755c0cfdb77e29f2b9125d7a45dd316
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_	1828219952528621568
spelling	González Acevedo, Hernando8ab7545f-7922-452f-ad0f-bf79d275a5f6Cala Suárez, José Danielb35d0c76-3000-44a1-8070-3764ef08d40fGonzález Acevedo, Hernando [544655]González Acevedo, Hernando [V8tga0cAAAAJ]González Acevedo, Hernando [0000-0001-6242-3939]González Acevedo, Hernando [55821231500]González Acevedo, Hernando [Hernando_Gonzalez3]Grupo de Investigación Control y Mecatrónica - GICYMGonzález Acevedo, Hernando [hernando-gonzalez-acevedo]Siachoque (Boyacá, Colombia)Septiembre 2022UNAB Campus Bucaramanga2024-11-26T14:23:17Z2024-11-26T14:23:17Z2024-11-25http://hdl.handle.net/20.500.12749/27540instname:Universidad Autónoma de Bucaramanga - UNABreponame:Repositorio Institucional UNABrepourl:https://repository.unab.edu.coLa industria agrícola necesita de un control riguroso en sus cultivos para asegurar un estándar adecuado en la calidad en su producto final, y para cumplir con esa necesidad se usan diversas técnicas y herramientas para tratar con esas necesidades. Por esa razón, el objetivo de este trabajo es elaborar una metodología para obtención de una base de datos y construir un programa de entrenamiento con Redes Neuronales Convolucionales (CNN) capaz de detectar enfermedades en plantas de cannabis, tales como Botritis en tapa inicial, intermedia y avanzada, y deficiencias nutricionales provocadas por falta de potasio y magnesio). En adición, se busca crear una interfaz gráfica que permita la carga de imágenes nuevas del cultivo, realice predicciones basadas en el entrenamiento y facilite la toma de decisiones por parte del usuario final acerca de los correctivos para la salud del cultivo.1 INTRODUCCIÓN ........................................................................................................ 6 1.1 OBJETIVOS ....................................................................................................... 7 1.1.1 OBJETIVO GENERAL .................................................................................... 7 1.1.2 OBJETIVOS ESPECÍFICOS .......................................................................... 7 2 ESTADO DEL ARTE .................................................................................................. 8 3 CONSTRUCCIÓN DE LA BASE DE DATOS ............................................................ 11 3.1 METODOLOGÍA DE TOMA DE IMÁGENES PARA LA CONSTRUCCIÓN DE LA BASE DE DATOS ........................................................................................................ 12 3.1.1 APLICACIÓN DE LA METODOLOGÍA ......................................................... 14 3.1.2 ADQUISICIÓN DE IMÁGENES Y DETERMINACIÓN DE CLASES Y DESCRIPTORES ..................................................................................................... 15 4 DESARROLLO DEL SISTEMA DE CLASIFICACIÓN ............................................... 18 4.1 ETIQUETADO .................................................................................................. 18 4.2 MODELOS DE REDES NEURONALES ........................................................... 20 4.2.1 UNET ........................................................................................................... 20 4.2.2 RESNET 101 ................................................................................................ 22 4.3 COCO DATASET ............................................................................................. 22 4.4 DESARROLLO DEL MODELO DE ENTRENAMIENTO ................................... 23 4.4.1 CARGADOR DE DATOS .............................................................................. 23 4.4.2 CREACIÓN DEL OBJETO DATASET Y DATALOADER .............................. 30 4.4.3 COMPROBACIÓN DE LOS BATCHES ........................................................ 34 4.4.4 CREACIÓN DEL MODELO Y APRENDIZAJE POR TRANSFERENCIA ...... 37 4.4.5 BUCLE DE ENTRENAMIENTO .................................................................... 39 4.4.6 INFERENCIA ................................................................................................ 50 5 VALIDACIÓN DEL SISTEMA DE CLASIFICACIÓN .................................................. 52 5.1 ENTORNO VIRTUAL ....................................................................................... 53 5.2 INTERFAZ ........................................................................................................ 54 5.3 VALIDACIÓN Y DISCUSIÓN............................................................................ 66 5.3.1 RESULTADOS EN LAS MÉTRICAS ............................................................ 67 5.3.2 RESULTADOS EN PREDICCIÓN VISUAL................................................... 70 6 CONCLUSIONES ..................................................................................................... 80 7 BIBLIOGRAFÍA ......................................................................................................... 82 8 ANEXOS .................................................................................................................. 84 8.1 DATOS DEL ESPECIALISTA ........................................................................... 84 8.2 PYTORCH Y CUDA ......................................................................................... 85 8.3 IMÁGENES DE LA BASE DE DATOS .............................................................. 86 8.3.1. IMÁGENES DE ENTRENAMIENTO ............................................................... 86 8.3.2. IMÁGENES DE VALIDACIÓN......................................................................... 90 8.3.3. IMÁGENES DE TESTEO ................................................................................ 92 8.4 REQUERIMIENTOS ............................................................................................. 112PregradoThe agricultural industry needs rigorous control of its crops to ensure an adequate standard of quality in its final product, and to meet this need, several techniques and tools are used. For this reason, the objective of this project is to develop a methodology to obtain a database and build a training program with Convolutional Neural Networks (CNN) capable of detecting diseases in cannabis plants, such as Botrytis in early, intermediate and advanced stages, and nutritional deficiencies caused by lack of potassium and magnesium. In addition, this research seeks to create a graphical interface that allows the loading of new images of the crop, make predictions based on training and facilitate decision-making by the end user about corrective measures for the health of the crop.Modalidad Presencialapplication/pdfspahttp://creativecommons.org/licenses/by-nc-nd/2.5/co/Abierto (Texto Completo)Atribución-NoComercial-SinDerivadas 2.5 Colombiahttp://purl.org/coar/access_right/c_abf2Sistema de seguimiento de crecimiento de cultivo de cannabis utilizando técnicas de visión artificialSystem for monitoring the growth of cannabis crops using computer vision techniquesIngeniero MecatrónicoUniversidad Autónoma de Bucaramanga UNABFacultad IngenieríaPregrado Ingeniería MecatrónicaIMK-1789info:eu-repo/semantics/bachelorThesisTrabajo de Gradohttp://purl.org/coar/resource_type/c_7a1finfo:eu-repo/semantics/acceptedVersionhttp://purl.org/redcol/resource_type/TPMechatronicDiseasesCropDeep learningComputer visionConvolutional neural networks (CNNs)Semantic segmentationTransfer learningGraphical interfaceNatural computingArtificial intelligenceAlgorithmDeep learning (Machine learning)Machine theoryMecatrónicaComputación naturalInteligencia artificialAlgoritmoAprendizaje profundo (Aprendizaje automático)Teoría de las máquinasEnfermedadesCultivoCannabisAprendizaje profundoVisión artificialRedes neuronales convolucionales (CNNs)Segmentación semánticaU-NetAprendizaje por transferenciaInterfaz gráfica[1] J. A. Ramirez Ramos, J. C. Sotelo, and E. B. Gualdron, “Detección y clasificación de anomalías en hojas de cannabis haciendo uso de visión computarizada,” 2020 IX International Congress of Mechatronics Engineering and Automation (CIIMA), pp. 1–4, Nov. 2020, doi: 10.1109/ciima50553.2020.9290319.[2] A. V. Panchal, S. C. Patel, K. Bagyalakshmi, P. Kumar, I. R. Khan, and M. Soni, “Image-based Plant Diseases Detection using Deep Learning,” Materials Today: Proceedings, vol. 80, pp. 3500–3506, 2023, doi: 10.1016/j.matpr.2021.07.281.[3] R. Rattan and J. O. Shiney, “Comparison and Analysis of CNN Based Algorithms for Plant Disease Identification,” 2023 Advanced Computing and Communication Technologies for High Performance Applications (ACCTHPA), vol. 893, pp. 1–6, Jan. 2023, doi: 10.1109/accthpa57160.2023.10083342.[4] O. Mzoughi and I. Yahiaoui, “Deep learning-based segmentation for disease identification,” Ecological Informatics, vol. 75, p. 102000, Jul. 2023, doi: 10.1016/j.ecoinf.2023.102000.[5] M. Shoaib et al., “Deep learning-based segmentation and classification of leaf images for detection of tomato plant disease,” Frontiers in Plant Science, vol. 13, Oct. 2022, doi: 10.3389/fpls.2022.1031748.[6] M. Shoaib et al., “A deep learning-based model for plant lesion segmentation, subtype identification, and survival probability estimation,” Frontiers in Plant Science, vol. 13, Dec. 2022, doi: 10.3389/fpls.2022.1095547.[7] L. Lei, Z. Wang, R. Wang, T. Shen, Q. Yang, and L. Yang, “Improved Deeplabv3+ Method for the Panax Notoginseng Disease Segmentation,” 2023 11th International Conference on Information Systems and Computing Technology (ISCTech), pp. 285–289, Jul. 2023, doi: 10.1109/isctech60480.2023.00058.[8] S. Abinaya, K. U. Kumar, and A. S. Alphonse, “Cascading Autoencoder With Attention Residual U-Net for Multi-Class Plant Leaf Disease Segmentation and Classification,” IEEE Access, vol. 11, pp. 98153–98170, 2023, doi: 10.1109/access.2023.3312718.[9] O. Ronneberger, P. Fischer, and T. Brox, “U-NET: Convolutional Networks for Biomedical Image Segmentation,” arXiv (Cornell University), Jan. 2015, doi: 10.48550/arxiv.1505.04597.[10] K. He, X. Zhang, S. Ren, and J. Sun, “Deep residual learning for image recognition,” arXiv (Cornell University), Jan. 2015, doi: 10.48550/arxiv.1512.03385.[11] T.-Y. Lin et al., “Microsoft COCO: Common Objects in context,” arXiv (Cornell University), Jan. 2014, doi: 10.48550/arxiv.1405.0312.[12] S. Li, L. Song, X. Wu, Z. Hu, Y.-M. Cheung, and X. Yao, “Multi-Class imbalance classification based on data distribution and adaptive weights,” IEEE Transactions on Knowledge and Data Engineering, vol. 36, no. 10, pp. 5265–5279, Apr. 2024, doi: 10.1109/tkde.2024.3384961.[13] D. C. Liyanage, R. Hudjakov, and M. Tamre, “Hyperspectral Imaging Methods Improve RGB Image Semantic Segmentation of Unstructured Terrains,” 2020 International Conference Mechatronic Systems and Materials (MSM), Jul. 2020, doi: 10.1109/msm49833.2020.9201738.[14] Gunawan, M. F. Fadillah, E. Prakasa, B. Sugiarto, T. N. Suharsono, and R. N. Sukmana, “Road Segmentation with U-Net Architecture Using Jetson AGX Xavier For Autonomous Vehicle,” 2022 16th International Conference on Telecommunication Systems, Services, and Applications (TSSA), vol. 8, pp. 1–5, Oct. 2022, doi: 10.1109/tssa56819.2022.10063891.[15] C. A. R. Goyzueta, J. E. C. De la Cruz, and W. A. M. Machaca, “Integration of U-Net, ResU-Net and DeepLab Architectures with Intersection Over Union metric for Cells Nuclei Image Segmentation,” 2021 IEEE Engineering International Research Conference (EIRCON), pp. 1–4, Oct. 2021, doi: 10.1109/eircon52903.2021.9613150.https://apolo.unab.edu.co/en/persons/hernando-gonzalez-acevedoORIGINALTesis.pdfTesis.pdfTesisapplication/pdf12142262https://repository.unab.edu.co/bitstream/20.500.12749/27540/3/Tesis.pdf77eeb363e38d2c7eff283d344a42aaa2MD53open accessLicencia.pdfLicencia.pdfLicenciaapplication/pdf469797https://repository.unab.edu.co/bitstream/20.500.12749/27540/4/Licencia.pdf73682fedb3bd78cf6b57d25583d27924MD54metadata only accessTHUMBNAILTesis.pdf.jpgTesis.pdf.jpgIM Thumbnailimage/jpeg4258https://repository.unab.edu.co/bitstream/20.500.12749/27540/5/Tesis.pdf.jpgfc8b21d57ceca6473a47858a18c9ba56MD55open accessLicencia.pdf.jpgLicencia.pdf.jpgIM Thumbnailimage/jpeg12906https://repository.unab.edu.co/bitstream/20.500.12749/27540/6/Licencia.pdf.jpg1f61860aefd2e072bccd2d5729e530f5MD56metadata only accessLICENSElicense.txtlicense.txttext/plain; charset=utf-8829https://repository.unab.edu.co/bitstream/20.500.12749/27540/2/license.txt3755c0cfdb77e29f2b9125d7a45dd316MD52open access20.500.12749/27540oai:repository.unab.edu.co:20.500.12749/275402024-11-26 22:01:26.78open accessRepositorio Institucional \| Universidad Autónoma de Bucaramanga - UNABrepositorio@unab.edu.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

Sistema de seguimiento de crecimiento de cultivo de cannabis utilizando técnicas de visión artificial

Publicaciones similares