Modelo de Aprendizaje Profundo para identificar plagas en la producción de quinua

• Resumen
• Abstract

La presente investigación aborda la identificación de plagas que afectan los cultivos de quinua en la Asociación de Productores Agropecuarios de Jopopamba (ASPRAJO). Tiene como propósito desarrollar un modelo de aprendizaje profundo y la aplicación móvil desarrollada para identificar plagas en la producción de quinua en la Asociación de Productores Agropecuarios de Jopopamba (ASPRAJO). El artículo se orientó bajo el paradigma positivista y enfoque cuantitativa, tipo proyectiva y evaluativa con diseño no experimental. Se implementó la metodología SEMMA (Sample, Explore, Modify, Model, Assess), el aprendizaje profundo, la transferencia de aprendizaje, y arquitecturas de redes neuronales VGG19 y ResNet-50. En el preprocesamiento, se realizó agrupación de datos en clases. Como resultado durante el modelado, emplearon redes neuronales profundas mediante la técnica de transferencia de aprendizaje. En conclusión, se implementó con éxito el modelo de aprendizaje diseñado, adaptándolo para su utilización en dispositivos móviles, lo que promete ser una herramienta valiosa en la detección de plagas de quinua en ASPRAJO.

This research addresses the identification of pests that affect quinoa crops in the Association of Agricultural Producers of Jopopamba (ASPRAJO). Its purpose is to develop a deep learning model and the mobile application developed to identify pests in quinoa production in the Association of Agricultural Producers of Jopopamba (ASPRAJO). The article was oriented under the positivist paradigm and a quantitative, projective and evaluative approach with a non-experimental design. The SEMMA (Sample, Explore, Modify, Model, Assess) methodology, deep learning, transfer learning, and VGG-19 and ResNet-50 neural network architectures were implemented. In preprocessing, data grouping into classes was performed. As a result, during modeling, they used deep neural networks using the transfer learning technique. In conclusion, the designed learning model was successfully implemented, adapting it for use on mobile devices, which promises to be a valuable tool in the detection of quinoa pests in ASPRAJO.