Show simple item record

dc.contributor.advisorSerpa Imbett, Claudia Milena
dc.contributor.authorOrtiz González, Brayan Andrés
dc.contributor.authorHernández Medina, Emanuel
dc.coverage.spatialMonteríaspa
dc.coverage.temporal2022spa
dc.date.accessioned2023-08-01T17:59:24Z
dc.date.available2023-08-01T17:59:24Z
dc.date.issued2022-03-01
dc.identifier.urihttp://hdl.handle.net/20.500.11912/10974
dc.description43 Páginasspa
dc.description.abstractEn este proyecto se desarrolló e implementó una modificación en el sistema de procesamiento de imágenes multiespectrales en Matlab AppDesigner que permite alertar al usuario el estado del cultivo de una zona segmentada mediante imágenes provenientes de cámaras multiespectrales o imágenes satelitales que calculan el valor de NDVI (Diferencia de Índice de Vegetación Normalizada) basada en medidas de la intensidad de la luz roja e infrarroja reflejada en las bandas alrededor de los 650 nm y 850 nm, usando métodos de segmentación de imágenes y clasificación de patrones. Igualmente se investigaron 2 tipos de aprendizaje automatizado como lo son las máquinas de soporte vectorial (SVM) y las redes neuronales convolucionales (CNN), que permitieron expandir los horizontes en materia de detección y monitoreo de anomalías presentes en las hojas de arroz y por consecuencia, en el cultivo, desarrollando así alternativas solidas al momento de aplicarse a la agricultura de precisión mediante el uso de las herramientas necesarias para el testeo de estos algoritmosspa
dc.description.abstractIn this project, a modification was developed and implemented in the multispectral image processing system in Matlab AppDesigner that allows the user to be alerted to the state of the crop in a segmented area through images from multispectral cameras or satellite images that calculate the NDVI value (Difference of Normalized Vegetation Index) based on measurements of the intensity of red and infrared light reflected in the bands around 650 nm and 850 nm, using image segmentation and pattern classification methods. Likewise, 2 Machine Learning methods (CNN and SVM) were investigated, which allowed expanding the horizons in terms of detection and monitoring of anomalies present in rice leaves and, consequently, in the crop, thus developing solid alternatives when applied to rice. precision agriculture through the use of the necessary tools for testing these algorithms.spa
dc.format.mimetypeapplication/pdfspa
dc.language.isospaspa
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 Internacional*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.subjectAgricultura de precisión, Procesamiento de Imágenes, Segmentación de Imágenes, NDVI, Matlab, Python, Machine Learning.spa
dc.titleAnálisis de Imágenes Multiespectrales Obtenidas en Cultivos de Arroz para la Determinación de Anomalías.spa
dc.typebachelorThesisspa
dc.publisher.departmentESCUELA DE INGENIERÍAS Y ARQUITECTURAspa
dc.publisher.programINGENIERÍA ELECTRÓNICAspa
dc.type.hasVersionpublishedVersionspa
dc.description.sectionalMonteríaspa
dc.description.degreenameTrabajo de Grado para Optar al Título de Ingeniero Electrónicospa


Files in this item

Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record

Attribution-NonCommercial-NoDerivatives 4.0 Internacional
Except where otherwise noted, this item's license is described as Attribution-NonCommercial-NoDerivatives 4.0 Internacional