Evaluación del uso de métodos de Machine Learning para la determinación del porcentaje de germinación en conidios de moho gris (Botrytis Cinerea)

Pérez Carmona , Andrea; Sajona M. , Angélica María

Evaluación del uso de métodos de Machine Learning para la determinación del porcentaje de germinación en conidios de moho gris (Botrytis Cinerea)

dc.contributor.advisor	Quijano Pérez, Jairo Camilo
dc.contributor.author	Pérez Carmona , Andrea
dc.contributor.author	Sajona M. , Angélica María
dc.date.accessioned	2024-03-13T13:05:22Z
dc.date.available	2024-03-13T13:05:22Z
dc.date.issued	2023
dc.description.abstract	El objetivo principal de este proyecto de tesis era desarrollar un software basado en técnicas de visión artificial con el fin de determinar el porcentaje de germinación de conidios del moho gris. El conteo directo de conidios es una práctica comúnmente utilizada en la investigación científica y la industria agrícola para evaluar la eficacia de los fungicidas y conocer el grado de germinación. No obstante, este proceso solía ser lento y laborioso, requiriendo un esfuerzo considerable por parte de los investigadores. La solución tecnológica propuesta tenía como objetivo proporcionar una herramienta ágil y sencilla para obtener información precisa sobre el porcentaje de germinación del moho gris. Al agilizar el proceso de conteo y análisis de los conidios, se reduciría considerablemente el tiempo requerido para evaluar la eficacia de los fungicidas, además de facilitar el desarrollo de técnicas de control de hongos más efectivas. Esto generaría beneficios tanto en el ámbito de la investigación científica como en la industria agrícola, donde la eficiencia y la precisión son fundamentales para garantizar la salud de los cultivos y mejorar la productividad. En este proyecto, se utilizó una cámara de microscopia para capturar imágenes de los conidios en alta resolución. Estas imágenes fueron posteriormente procesadas e interpretadas mediante algoritmos de machine learning, lo que permitió automatizar el conteo de conidios y calcular de manera precisa el porcentaje de germinación. Para llevar a cabo este análisis, se emplearon software y librerías de uso libre que facilitaron la implementación y optimización del sistema. Además, se incorporaron técnicas de radiación UVC para modificar el porcentaje de germinación en los conidios antes de su análisis con el software. Esta variación controlada permitió realizar pruebas eficientes y sistemáticas, evaluando diferentes escenarios de germinación y obteniendo resultados comparables. De esta manera, se pudo analizar la efectividad de los algoritmos de machine learning de manera más rápida y precisa que el método tradicional
dc.format	http://purl.org/coar/resource_type/c_18cf
dc.identifier.other	TIIC 349
dc.identifier.uri	https://repositorio.elpoli.edu.co/handle/123456789/8627
dc.language.iso	es
dc.publisher	Politécnico Colombiano Jaime Isaza Cadavid
dc.publisher.department	Facultad de Ingenierías
dc.publisher.program	Ingeniería en Instrumentación y Control
dc.rights	http://creativecommons.org/licenses/by-nc/4.0/
dc.rights.cc	http://purl.org/coar/access_right/c_abf2
dc.subject	Aprendizaje automático (Inteligencia artificial). Visión artificial. Radiación ultravioleta.
dc.title	Evaluación del uso de métodos de Machine Learning para la determinación del porcentaje de germinación en conidios de moho gris (Botrytis Cinerea)
dc.type	http://purl.org/redcol/resource_type/TP