Detección y clasificación de enfermedades en el tomate mediante Deep Learning y Computer Vision (Record no. 57645)

MARC details
000 -CABECERA
campo de control de longitud fija 04717nam a2200265 a 4500
003 - IDENTIFICADOR DEL NÚMERO DE CONTROL
campo de control AR-LpUFIB
005 - FECHA Y HORA DE LA ÚLTIMA TRANSACCIÓN
campo de control 20250311170521.0
008 - DATOS DE LONGITUD FIJA--INFORMACIÓN GENERAL
campo de control de longitud fija 230201s2021 ag a om 000 0 spa d
024 8# - Otro identificador estandar
Número estándar o código DIF-M8597
-- 8821
-- DIF007872
040 ## - FUENTE DE LA CATALOGACIÓN
Centro catalogador/agencia de origen AR-LpUFIB
Lengua de catalogación spa
Centro/agencia transcriptor AR-LpUFIB
100 1# - ENTRADA PRINCIPAL--NOMBRE DE PERSONA
Nombre de persona Valenzuela Cámara, Sergio Hernán
245 10 - MENCIÓN DE TÍTULO
Título Detección y clasificación de enfermedades en el tomate mediante Deep Learning y Computer Vision
260 ## - PUBLICACIÓN, DISTRIBUCIÓN, ETC.
Fecha de publicación, distribución, etc. 2021
300 ## - DESCRIPCIÓN FÍSICA
Extensión 1 archivo (8,0 MB) :
Otras características físicas il. col.
502 ## - NOTA DE TESIS
Nota de tesis Tesis (Maestría en Ingeniería de Software) - Universidad Nacional de La Plata. Facultad de Informática, 2021.
505 0# - NOTA DE CONTENIDO CON FORMATO
Nota de contenido con formato CAPÍTULO 1: INTRODUCCIÓN -- 1.1 Introducción -- 1.2 Justificación -- 1.3 Fundamentación del tema elegido -- 1.4 Motivación -- 1.5 Objetivos -- 1.5.1 Objetivos Generales -- 1.5.2 Objetivos Específicos -- 1.6 Metodología general de investigación y desarrollo de la tesis -- 1.7 Organización de la tesis -- CAPÍTULO 2: FUNDAMENTACIÓN TEÓRICA -- 2.1 Computer vision -- 2.1.1 Procesamiento de imágenes -- 2.1.1.1 Actividades del procesamiento de imágenes -- 2.1.2 Detección de objetos -- 2.1.3 Segmentación -- 2.1.4 Extracción de características -- 2.2 Inteligencia artificial -- 2.2.1 Machine Learning -- 2.2.2 Deep Learning -- 2.2.3 Deep Learning en la clasificación de imágenes -- 2.2.4 Machine Learning Clásico versus Deep Learning -- 2.2.5 CNNs (Redes Neuronales Convolucionales) -- 2.2.6 Detección de objetos basado en deep learning -- CAPÍTULO 3: DEEP LEARNING EN EL MARCO DE LOS PROCESOS DE INGENIERÍA DE SOFTWARE -- 3.1 Machine learning y software engineering -- 3.2 Deuda técnica -- 3.3 Desafíos de desarrollo -- 3.3.1 Gestión de experimentos -- 3.3.2 Transparencia limitada -- 3.3.3 Solución de problemas -- 3.3.4 Limitaciones de recursos -- 3.3.5 Pruebas (Testing) -- 3.4 Desafíos de producción -- 3.4.1 Gestión de dependencias -- 3.4.2 Monitoreo y registro -- 3.4.3 Bucles de retroalimentación involuntaria -- 3.4.4 Código de pegamento y sistemas de soporte -- 3.5 Desafíos organizacionales -- 3.5.1 Estimación de esfuerzo -- 3.5.2 Privacidad y seguridad de los datos -- 3.5.3 Diferencias culturales -- 3.6 Conclusiones -- CAPÍTULO 4: DESCRIPCIÓN DE LA SOLUCIÓN -- 4.1 Adquisición de imágenes -- 4.1.1 Enfoque 1: Buscar o recopilar un conjunto de datos -- 4.1.2 Enfoque 2: Extensión del navegador Fatkun Batch descargar imagen -- 4.2 Pre procesamiento -- 4.2.1 Creación del conjunto de datos de entrenamiento para detección de objetos -- 4.3 Detección de objetos y clasificación -- 4.3.1 Metodología para detección de objetos en la imagen -- 4.3.1.1 Redes Neuronales Convolucionales Basada en la Región (R-CNNs) -- 4.3.1.2 Faster R-CNN -- 4.3.1.2.1 Red Base Para Extraer Características -- 4.3.1.2.2 Region Proposal Network (RPN) -- 4.3.2 Metodología para la clasificación de imágenes -- 4.4 Recursos necesarios -- 4.4.1 Hardware -- 4.4.2 Software -- CAPÍTULO 5: IMPLEMENTACIÓN -- 5.1 Arquitectura -- 5.2 Pipeline (tubería de procesamiento) -- 5.2.1 La tubería de procesamiento de ML en proyectos de IA -- 5.3 Algoritmo detección de objetos (hoja de tomate) -- 5.3.1 Preparación de la data -- 5.3.2 Construcción y entrenamiento del modelo (Build & Train Models) -- 5.3.2.1 Elección del modelo -- 5.3.2.2 Configuración de archivos para entrenar el modelo -- 5.3.2.2.1 Configuración del modelo -- 5.3.2.2.2 Etiquetas de entrenamiento -- 5.3.2.3 Entrenar el modelo -- 5.3.2.4 Guardar modelo entrenado para ejecutarlo posteriormente -- 5.3.3 Predicción y despliegue -- 5.4 Algoritmo de clasificación de enfermedades -- 5.4.1 Preparación de la data -- 5.4.2 Construcción y entrenamiento del modelo (Build & Train Models) -- 5.4.2.1 Elección del modelo -- 5.4.2.2 Entrenar el modelo -- 5.4.2.3 Guardar modelo entrenado para ejecutarlo posteriormente -- 5.4.3 Predicción y despliegue -- CAPÍTULO 6: RESULTADOS -- 6.1 Análisis de resultados -- 6.2 Rendimientos obtenidos -- 6.3 Escenario de aplicación: prototipo Doctor Tomatto -- 6.4.1 Estructura del directorio del prototipo -- 6.4.2 Códigos principal y complementarios -- CAPÍTULO 7: TRABAJOS RELACIONADOS -- 7.1 Papers consultados -- 7.2 Aplicaciones relacionadas -- CAPÍTULO 8: CONCLUSIONES -- 8.1 Conclusiones -- 8.2 Desarrollos futuros -- BIBLIOGRAFÍA
650 #4 - PUNTO DE ACCESO ADICIONAL DE MATERIA--TÉRMINO DE MATERIA
Término de materia o nombre geográfico como elemento de entrada REDES NEURONALES
653 ## - TÉRMINO DE INDIZACIÓN--NO CONTROLADO
Término no controlado clasificación de imágenes
653 ## - TÉRMINO DE INDIZACIÓN--NO CONTROLADO
Término no controlado detección de objetos
653 ## - TÉRMINO DE INDIZACIÓN--NO CONTROLADO
Término no controlado agricultura
700 1# - PUNTO DE ACCESO ADICIONAL--NOMBRE DE PERSONA
Nombre de persona Fernández, Alejandro ,
-- Director/a
700 1# - PUNTO DE ACCESO ADICIONAL--NOMBRE DE PERSONA
Nombre de persona Aracena Pizarro, Diego Alberto ,
-- Codirector/a
856 40 - LOCALIZACIÓN Y ACCESO ELECTRÓNICOS
Identificador Uniforme del Recurso <a href=" http://catalogo.info.unlp.edu.ar/meran/getDocument.pl?id=2510"> http://catalogo.info.unlp.edu.ar/meran/getDocument.pl?id=2510</a>
942 ## - ELEMENTOS DE PUNTO DE ACCESO ADICIONAL (KOHA)
Tipo de ítem Koha Tesis de posgrado
Holdings
Estado de retiro Estado de pérdida Estado dañado Disponibilidad Biblioteca permanente Biblioteca actual Fecha de adquisición Número de inventario Total de préstamos Signatura topográfica completa Código de barras Fecha visto por última vez Precio válido a partir de Tipo de ítem Koha Colección Identificador Uniforme del Recurso
      Préstamo a domicilio Biblioteca de la Facultad de Informática Biblioteca de la Facultad de Informática 11/03/2025 DIF-05161   TES 21/53 DIF-05161 11/03/2025 11/03/2025 Tesis de posgrado    
      No corresponde Biblioteca de la Facultad de Informática Biblioteca de la Facultad de Informática 11/03/2025         11/03/2025 11/03/2025 Tesis de posgrado Biblioteca digital https://doi.org/10.35537/10915/139770
      No corresponde Biblioteca de la Facultad de Informática Biblioteca de la Facultad de Informática 11/03/2025         11/03/2025 11/03/2025 Tesis de posgrado Biblioteca digital http://catalogo.info.unlp.edu.ar/meran/getDocument.pl?id=2510