Escuela de Ingeniería de Sistemas y Computación

URI permanente para esta colecciónhttps://repositorio.usat.edu.pe/handle/20.500.12423/37

Examinar

Examinando Escuela de Ingeniería de Sistemas y Computación por Materia "Agricultura de precisión, deep learning, plagas"

Seleccione resultados tecleando las primeras letras
Mostrando 1 - 1 de 1
  • Miniatura
    Ítem
    Sistema predictivo para la detección y control de la plaga de la araña roja del tomate en Lambayeque
    (Universidad Católica Santo Toribio de Mogrovejo, 2024) Llontop Soplapuco, Manuel Alejandro; Llontop Soplapuco, Manuel Alejandro; Reyes Burgos, Karla Cecilia
    Este presente estudio aborda un problema crítico en la agricultura peruana, centrándose en la detección y control de la plaga de la araña roja en los cultivos de tomate en Lambayeque. Los objetivos incluyeron la aplicación de métricas de calidad de datos para seleccionar y preprocesar imágenes de tomates y la implementación de modelos de deep learning para la detección y clasificación de la plaga. La metodología combinó eXtreme Programming (XP) y CRISP-DM, lo que permitió un enfoque ágil y de alta calidad para el desarrollo del sistema web y la creación de modelos de deep learning. Los resultados fueron altamente alentadores: obtuvimos un dataset de imágenes de hojas de tomate de alta calidad, con una tasa de aprobación superior al 95%, sentando una base sólida para el sistema. Los modelos de deep learning alcanzaron una precisión excepcional en la detección y clasificación de la plaga. La funcionalidad del sistema cumplió con las normas ISO 25010, respaldada por el alto grado de satisfacción de 18 pequeños agricultores encuestados. La validación por comité también fue exitosa, con tres expertos calificando el sistema como "nivel bueno". En resumen, esta investigación presenta un sistema predictivo eficaz para la detección y control de la plaga de la araña roja en los cultivos de tomate en Lambayeque, respaldado por resultados sólidos en la selección de imágenes, la implementación de modelos de deep learning y la funcionalidad del sistema. Este enfoque tiene el potencial de marcar una diferencia significativa en la gestión agrícola y la sostenibilidad en la región.