Contenido principal del artículo

José Amilcar Cayllante Tapia

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.

Descargas

Los datos de descargas todavía no están disponibles.

Detalles del artículo

Cómo citar
Cayllante Tapia, J. A. (2024). Modelo de Aprendizaje Profundo para identificar plagas en la producción de quinua. Revista Ingeniería, 8(20), 31–48. https://doi.org/10.33996/revistaingenieria.v8i20.117
Sección
ARTÍCULO ORIGINAL
Biografía del autor/a

José Amilcar Cayllante Tapia, Universidad Adventista de Bolivia. Cochabamba, Bolivia

Ingeniero de Sistemas, Universidad Adventista de Bolivia. Certificación Internacional CCNA CISCO, Universidad Adventista de Bolivia. Experiencia laboral como Desarrollador de Software en el IATec (Instituto Adventista de Tecnología). Participación en congresos nacionales e internacionales, Bolivia.

Bookmark and Share
Referencias

Albarrán y Salgado. (2016). La Inteligencia Analítica y la Competitividad en las Empresas. https://recai.uaemex.mx/article/view/8949/7592

Alonso, J. (2022). ¿Qué es TensorFlow y para qué sirve?. https://www.incentro.com/es-ES/blog/que-es-tensorflow

Azevedo, A., y Santos, M. F. (2008). KDD, SEMMA AND CRISP-DM: A PARALLEL OVERVIEW, IADIS European Conference Data Mining. https://www.researchgate.net/publication/220969845_KDD_semma_and_CRISP-DM_A_parallel_overview

Blanco, E. (2019) “Transfer Learning en modelos profundos - Think Big Empresas”, Think Big. 2019. https://empresas.blogthinkbig.com/transfer-learning-en-modelos-profundos/

Burns, E. (2021) Aprendizaje profundo (Deep Learning). https://www.computerweekly.com/es/definicion/Aprendizaje-profundo-deep-learning

Centeno, A. (2019). DEEP LEARNING. Universidad de Sevilla. https://idus.us.es/bitstream/handle/11441/90004/Centeno%20Franco%20Alba%20TFG.pdf

Chambilla, C., Gonzáles, M., Jarandilla, C. y Baltazar, B. (2009). Estudio de la fluctuacion poblacional del complejo ticonas de la quinua (Chenopodium quinoa Willd.) bajo condiciones actuales de cambio climático https://sanremcrsp.cired.vt.edu/wp-content/uploads/2013/11/0309TiconasdulaQuinua.pdf

Córdova. Claudia (2021). Aplicación de aprendizaje profundo para la detección y clasificación automática de insectos agrícolas en trampas pegantes. https://bit.ly/3udskap

Cook, T.D., Reichardt, Ch. S. (2005). Métodos cualitativos y cuantitativos en Investigación Evaluativa. Madrid: EDICIONES MORATA. [EcuRed. «Modelo Vista Vista Modelo», 2021. http://portal.amelica.org/ameli/jatsRepo/394/3941752008/html/index.html

Mejía, J. (2017). La metodología de investigación evaluativa una alternativa para la valoración de proyectos http://portal.amelica.org/ameli/jatsRepo/394/3941752008/html/index.html#redalyc_3941752008_ref6.

Cristancho, J. (2021). Propuesta de metodología para el desarrollo de proyectos de analítica prescriptiva a partir de un metaanálisis. https://bit.ly/47Jyixa

Flores, D. (2021). Clasificación de cultivos de quinua orgánica mediante el uso de imágenes aéreas multiespectrales y técnicas de aprendizaje automático. https://bit.ly/3OqdpAA

González, C. (2018). En qué Consiste el Aprendizaje Automático (Machine Learning) y Qué está aportando a la Neurociencia Cognitiva. https://www.cienciacognitiva.org/?p=1697

Hernández, J. (2021). Aprendizaje Profundo y Neuroevolución para el Análisis de Sentimientos en Tweets Escritos en Español Mexicano. https://www.uv.mx/personal/emezura/files/2022/01/Tesis-Clemente.pdf

Hernández, R., Fernández, C., y Baptista, M. (2014). Metodología de la investigación. México D.F.: McGraw-Hill.

Hernández, R. (2018). Metodología de la Investigación: Las Rutas Cuantitativa, Cualitativa Y Mixta. https://bit.ly/49fpUqD

Landeau, R. (2007). Elaboración de trabajos de investigación. Caracas: Editorial Alfa. http://repositorio.utmachala.edu.ec/bitstream/48000/14232/1/Cap.4-Investigaci%C3%B3n%20cuantitativa%20y%20cualitativa.pdf

Larose, D. T. (2014). Discovering knowledge in data: an introduction to data mining. John Wiley Sons, 336, Hoboken, New Jersey. https://bit.ly/48LzTny

Moine, J., Silva, A., Gordillo, (s/f) Estudio comparativo de metodologías para minería de datos. https://core.ac.uk/download/pdf/301040544.pdf

Montiel, R. (2015). Kcona Kcona. Hojas volantes para agricultores. Perú. https://plantwiseplusknowledgebank.org/doi/epdf/10.1079/pwkb.20187800297

Gavilán, I. (2021). Metodología para Machinne Learning (III): SEMMA. https://ignaciogavilan.com/metodologia-para-machine-learning-iii-semma/

Grajales, T. (2020). Tipos de Investigación. https://www.academia.edu/9373954/TIPOS_DE_INVESTIGACION_Por_Tevni_Grajales_G

Red neuronal convolucional ResNet-50 - MATLAB resnet50 (2021). https://www.mathworks.com/help/deeplearning/ref/resnet50.html.

Ruiz, G. (2019). Análisis de Conglomerados. https://ojs.umsa.bo/ojs/index.php/revistavarianza/article/download/409/344

SAS Institute Inc. (2017, julio 3). Data Mining and SEMMA. http://documentation.sas.com/?docsetId=emcs&docsetTarget=p0i38iu0h

SAS Institute 2005. Semma Data Mining Methodology. http://www.sas.com/technologies/analytics/datamining/miner/semma.html.

Turing, A. (1950). Computing machinery and intelligence. Mind, 59, 433. https://www.cienciacognitiva.org/?p=1697

Zhou, J., Yang, L. Zhang, S. Shao, y G. Bian, (2020) “Multisignal VGG19 Network with Transposed Convolution for Rotating Machinery Fault Diagnosis Based on Deep Transfer Learning, Shock Vib., vol. 2020. DOI: 10.1155/2020/8863388