Detección de enfermedades en el cultivo de papa mediante el uso de Machine Learning en Abancay, 2022

Alvarez Vargas, Nelida Alicia

Detección de enfermedades en el cultivo de papa mediante el uso de Machine Learning en Abancay, 2022

dc.contributor.advisor	Ibarra Cabrera, Manuel Jesús
dc.contributor.author	Alvarez Vargas, Nelida Alicia
dc.date.accessioned	2025-10-05T01:13:56Z
dc.date.available	2025-10-05T01:13:56Z
dc.date.issued	2025-06-05
dc.description.abstract	El Perú es un país con una gran diversidad de tipos de papa y es, uno de los principales cultivos agrícolas que sustenta la alimentación de las personas, enfrenta pérdidas en la producción de este cultivo clave debido a enfermedades como el tizón tardío y el pie negro entre otras; lo cual genera una gran pérdida en su producción y, conlleva a un déficit económico para el agricultor. La presente investigación se desarrolló con el objetivo de lograr la detección temprana de enfermedades de pudrición blanda y tizón tardío en el cultivo de la papa, a través del uso de técnicas de Machine Learning y para determinar la eficiencia de la clasificación se utilizaron los modelos de Faster R- CNN y YOLO V4. El procedimiento para esta investigación consistió en recolectar un total de 1011 imágenes de hojas de papa, tanto sanas como enfermas, en la localidad de Abancay, Apurímac. Estas imágenes se dividieron aleatoriamente para realizar el entrenamiento, la validación y las pruebas. Luego, se llevó a cabo el etiquetado de las imágenes utilizando la herramienta LabelImg y Roboflow. Posteriormente, se empleó la herramienta Google Colab con lenguaje de programación Python para realizar el entrenamiento, con cada uno de los modelos, seguido de las validaciones y, finalmente, realizar las pruebas. Los resultados obtenidos revelan que, Faster R-CNN demostró un rendimiento sólido en la detección de Pie Negro, alcanzando una precision, recall, F-value y accuracy del 100%. En el caso de la detección de Rancha, aunque los valores fueron ligeramente más bajos, aún mostró una precision del 98%, un recall del 79%, un F-value del 87% y un accuracy del 78%. Por otro lado, YOLO V4 también sobresalió en la detección de Pie Negro, logrando una precision, recall, F-value y accuracy del 100%. En cuanto a la detección de Rancha, los valores experimentaron una variación mínima, obteniendo un precision del 97%, un recall del 90%, un F-value del 93% y un accuracy del 87%. Finalmente podemos concluir que YOLO V4 destaca en la detección de ambas enfermedades en hojas de papa en la región de Abancay, Apurímac.
dc.format	application/pdf
dc.identifier.uri	https://hdl.handle.net/20.500.14195/395
dc.language.iso	spa
dc.publisher	Universidad Nacional Micaela Bastidas de Apurímac
dc.publisher.country	PE
dc.rights	info:eu-repo/semantics/openAccess
dc.rights.uri	https://creativecommons.org/licenses/by/4.0/
dc.subject	Enfermedades en el cultivo de la papa
dc.subject	Machine learning
dc.subject	Faster R – CNN
dc.subject	YOLO V4
dc.subject.ocde	https://purl.org/pe-repo/ocde/ford#1.02.00
dc.title	Detección de enfermedades en el cultivo de papa mediante el uso de Machine Learning en Abancay, 2022
dc.type	info:eu-repo/semantics/bachelorThesis
dc.type.version	info:eu-repo/semantics/publishedVersion
renati.advisor.dni	23974689
renati.advisor.orcid	https://orcid.org/0000-0001-6711-4916
renati.author.dni	71737919
renati.discipline	612296
renati.juror	Cari Incahuanaco, Francisco
renati.juror	Quispe Merma, Rafael Ricardo
renati.juror	Martinez Duran, Virgilio
renati.level	https://purl.org/pe-repo/renati/nivel#tituloProfesional
renati.type	https://purl.org/pe-repo/renati/type#tesis
thesis.degree.discipline	Ingeniería Informática y Sistemas
thesis.degree.grantor	Universidad Nacional Micaela Bastidas de Apurímac. Facultad de Ingeniería
thesis.degree.name	Ingeniero Informático y Sistemas