MARC details
| 000 -LEADER |
|---|
| campo de control de longitud fija |
03811nam0a22002890i04500 |
| 001 - NÚMERO DE CONTROL |
|---|
| campo de control |
UTC-112369 |
| 005 - FECHA Y HORA DE LA ÚLTIMA TRANSACCIÓN |
|---|
| campo de control |
20240326112726.0 |
| 008 - DATOS DE LONGITUD FIJA--INFORMACIÓN GENERAL |
|---|
| campo de control de longitud fija |
240325s2020####ec#####grm####00####spa#d |
| 082 ## - NÚMERO DE LA CLASIFICACIÓN DECIMAL DEWEY |
|---|
| Número de clasificación |
PROYECTO 004 C334ap |
| 100 ## - ENTRADA PRINCIPAL--NOMBRE DE PERSONA |
|---|
| Nombre de persona |
Casa Lema, Mercedes Azucena |
| 245 ## - MENCIÓN DEL TÍTULO |
|---|
| Título |
Aplicación móvil para clasificación automática de malas hierbas en imágenes usando aprendizaje profundo. |
| 245 ## - MENCIÓN DEL TÍTULO |
|---|
| Título |
Mercedes Azucena Casa Lema y Jenny Celia Tumbaco Sango. |
| 264 ## - PRODUCCIÓN, PUBLICACIÓN, DISTRIBUCIÓN, FABRICACIÓN Y COPYRIGHT |
|---|
| Producción, publicación, distribución, fabricación y copyright |
Ecuador : |
| -- |
Latacunga : |
| Nombre del de productor, editor, distribuidor, fabricante |
Universidad Técnica de Cotopaxi; Facultad de Ciencias Humanas y Educación; Carrera de Diseño Gráfico |
| Fecha de producción, publicación, distribución, fabricación o copyright |
2020 |
| 300 ## - DESCRIPCIÓN FÍSICA |
|---|
| Extensión |
69 páginas. ; |
| Dimensiones |
30 cm. |
| 336 ## - TIPO DE CONTENIDO |
|---|
| Término de tipo de contenido |
texto |
| Código de tipo de contenido |
txt |
| Fuente |
rdacontent |
| 337 ## - TIPO DE MEDIO |
|---|
| Nombre/término del tipo de medio |
no mediado |
| Código del tipo de medio |
n |
| Fuente |
damedia |
| 338 ## - TIPO DE SOPORTE |
|---|
| Nombre/término del tipo de soporte |
volumen |
| Código del tipo de soporte |
nc |
| Fuente |
rdacarrier |
| 500 ## - NOTA GENERAL |
|---|
| Nota general |
Incluye CD-Rom y Anexos. |
| 502 ## - NOTA DE TESIS |
|---|
| Nota de tesis |
Proyecto (Ingeniero en Informática y Sistemas Computacionales); Cantuña, Karla ; Dir. |
| 505 ## - NOTA DE CONTENIDO CON FORMATO |
|---|
| Nota de contenido con formato |
1. Información básica. 2. Estructura de la propuesta tecnológica. 3. Área de conocimiento. 4. Descripción del problema. 5. Objetivos. 6. Objetivos de estudio y campo de acción. 7. Marco Teórico. 8. Hipótesis. 9. Metodologías. 10. Métodos y técnicas de investigación. 11. Técnicas e instrumentos de investigación. 12. Análisis y discusión de resultados. 13. Impactos. |
| 506 ## - NOTA DE RESTRICCIONES AL ACCESO |
|---|
| Limitaciones de acceso |
LOS PROYECTOS DE INVESTIGACIÓN DE GRADO SON DE USO EXCLUSIVO PARA LA SALA DE LECTURA. |
| 520 ## - RESUMEN, ETC. |
|---|
| Sumario, etc. |
Las malas hierbas en el campo, son consideradas como un gran problema para los cultivos, causan efectos negativos que rivalizan con las plantas de maíz en su desarrollo quitándoles todos los elementos nutrientes, donde el agricultor utiliza cualquier herbicida para eliminar estas malas hierbas aplicando en todo el cultivo. Por tal razón, se considera importante que este problema se tratado. Una de las soluciones para atenuar esta problemática podría ser mediante el uso de técnicas de aprendizaje profundo que permita obtener una aplicación móvil con información para minimizar o eliminar las malas hierbas en el cultivo de maíz en base al herbicida correcto. La revisión de la literatura permitió determinar estudios similares para la clasificación de malas hierbas en el cultivo a través técnicas empleadas para clasificar de forma automática. Sin embargo, las técnicas propuestas por los investigadores tienen limitados el uso de técnicas de aprendizaje automático. Por consiguiente, se propone un modelo clasificador basado en técnicas de aprendizaje profundo para la clasificación de las malas hierbas en imágenes. Como resultado se obtiene una aplicación móvil desarrollada bajo tecnología de última generación desarrollada para beneficio de los agricultores, Herbario institucional, estudiantes y profesores de áreas relacionadas en la Universidad Técnica de Cotopaxi. La metodología utilizada para el desarrollo del proyecto de investigación fueron las Redes Neuronales Convolucionales, empleando la metodología CRISP-DM que corresponde a la descripción de las fases. Además, se utilizará el lenguaje de programación Android Studio y la plataforma Custum Vision permitiendo emplear algoritmos de aprendizaje, con la biblioteca Tensorflow de código abierto capaz de construir redes neuronales, utilizada para la detección de objetos personas, animales, plantas y lugares. El modelo generado fue evaluado logrando una precisión de 97.8%, un recall de 97.3% y un A.P de 97.8%, permitiendo obtener resultados óptimos en la clasificación de malas hierbas de forma automática. |
| 650 ## - PUNTO DE ACCESO ADICIONAL DE MATERIA--TÉRMINO DE MATERIA |
|---|
| Término de materia o nombre geográfico como elemento de entrada |
CLASIFICACIÓN DE MALAS HIERBAS |
| -- |
APRENDIZAJE PROFUNDO |
| -- |
REDES NEURONALES CONVOLUCIONALES |
| -- |
CRISP-DM |
| -- |
TENSORFLOW. |
| 700 ## - ENTRADA AGREGADA--NOMBRE PERSONAL |
|---|
| Nombre de persona |
Tumbaco Sango, Jenny Celia |
| 856 ## - LOCALIZACIÓN Y ACCESO ELECTRÓNICOS |
|---|
| Identificador Uniforme de Recurso |
<a href="http://repositorio.utc.edu.ec/handle/27000/6698">http://repositorio.utc.edu.ec/handle/27000/6698</a> |
| Texto de enlace |
Documento |
| 942 ## - ELEMENTOS DE ENTRADA SECUNDARIOS (KOHA) |
|---|
| Fuente del sistema de clasificación o colocación |
Clasificación Decimal Dewey |
| Tipo de ítem Koha |
Tesis |
| Suprimir en OPAC |
No |
