Examinando por Autor "Plaza Palaquibay, Ronald Ulises"
Mostrando 1 - 2 de 2
Resultados por página
Opciones de ordenación
- ÍtemAcceso AbiertoAplicación de deep learning para la clasificación y reconocimiento de enfermedades en las hojas de las plantas.(Universidad de Guayaquil. Facultad de Ingeniería Industrial. Carrera de Ingeniería en Teleinformática., 2023-09-19) Mora León, Evelyn Jaritza; Plaza Palaquibay, Ronald Ulises; García Torres, Ingrid AngélicaEl presente trabajo surge de la necesidad encontrada en el sector agronómico y el actual reconocimiento de la inteligencia artificial para solución de tareas. Se creó un modelo de red neuronal convolucional que clasifica las enfermedades de las plantas de tomate, maíz y soya mediante el preprocesamiento de un conjunto de datos (imágenes). Para la creación del modelo se realizaron pruebas con varios modelos entre ellos, modelos densos con y sin aumento de datos. Se probó aplicando Dropout para evitar el sobreajuste, quedando como el modelo que dio mejores resultados el CNN con aumento de datos y Dropout. Adicionalmente se creó un mini invernadero con las muestras de las plantas seleccionadas para tener predicciones en tiempo real y visualizarlas en una interfaz visual que muestra el índice de probabilidad y la clase a la que pertenece la imagen mostrada. Las métricas utilizadas para la evaluación del modelo fueron: accuracy, F1_Score, precisión y la matriz de confusión.
- ÍtemAcceso AbiertoAplicación de deep learning para la clasificación y reconocimiento de enfermedades en las hojas de las plantas.(Universidad de Guayaquil. Facultad de Ingeniería Industrial. Carrera de Ingeniería en Teleinformática., 2023-09-19) Plaza Palaquibay, Ronald Ulises; Mora León, Evelyn Jaritza; García Torres, Ingrid AngélicaEl presente trabajo surge de la necesidad encontrada en el sector agronómico y el actual reconocimiento de la inteligencia artificial para solución de tareas. Se creó un modelo de red neuronal convolucional que clasifica las enfermedades de las plantas de tomate, maíz y soya mediante el preprocesamiento de un conjunto de datos (imágenes). Para la creación del modelo se realizaron pruebas con varios modelos entre ellos, modelos densos con y sin aumento de datos. Se probó aplicando Dropout para evitar el sobreajuste, quedando como el modelo que dio mejores resultados el CNN con aumento de datos y Dropout. Adicionalmente se creó un mini invernadero con las muestras de las plantas seleccionadas para tener predicciones en tiempo real y visualizarlas en una interfaz visual que muestra el índice de probabilidad y la clase a la que pertenece la imagen mostrada. Las métricas utilizadas para la evaluación del modelo fueron: accuracy, F1_Score, precisión y la matriz de confusión.