Avendaño Pérez, JonathanRodriguez Acevedo, María EugeniaLosada Naranjo, Laura Daniela2023-07-062023-07-062023https://hdl.handle.net/20.500.12495/10891La inexactitud de los diagnósticos visuales de deficiencias nutricionales en las plantas dificulta la toma de acciones correctivas en cultivos como el café. Los suelos del municipio de Acevedo presentan una tendencia a la retención de fósforo orgánico de manera que es necesario garantizar el aporte de este nutriente para un adecuado desarrollo del fruto. Con el fin de automatizar los procesos de diagnósticos visuales bajo las condiciones de variabilidad del entorno agrícola se propuso en este trabajo de grado el desarrollo de cuatro fases: El diseño y construcción de un equipo de adquisición de imágenes, la construcción de un dataset con imágenes de hojas con la deficiencia nutricional de fósforo y hojas sanas, el desarrollo de un algoritmo qué lograra identificar la presencia de la deficiencia y la validación del método propuesto. El equipo de adquisición de imágenes digitales en campo fue construido con la finalidad de aislar el fondo y estandarizar una distancia de trabajo. Para la selección del color de fondo se evaluó la desviación estándar y se determinó que el fondo azul es aquel que permite una mayor separabilidad de píxeles entre el fondo y el color de la hoja. El equipo de adquisición de imágenes diseñado permitió la construcción de un dataset con imágenes de hojas de café con la sintomatología de la deficiencia nutricional de fósforo en plantas de fincas cafeteras del municipio de Acevedo, Huila que en contraste con un análisis foliar presentaron la limitación nutricional de fósforo. En la construcción del algoritmo se incluyeron técnicas de preprocesamiento de imágenes, de segmentación de imágenes por super pixeles y extracción de características de color y textura, las técnicas de reducción de características estudiadas fueron extra tree classifier, LDA y PCA, en donde su rendimiento fue evaluado en relación a cuatro tipos de clasificadores y un predictor acorde a las métricas de evaluación de matrices de confusión. El clasificador de árboles de decisión tuvo el mejor rendimiento según la curva ROC y AUC, la validación del clasificador demostró un F-score del 0.994 para el algoritmo de identificación de la deficiencia nutricional de fósforo en hojas de café bajo condiciones de campo lo cual indicó una alta capacidad de distinción entre las clases. Finalmente se discute el desempeño del método propuesto respecto a uno entrenado bajo condiciones controladas en donde este último presentó un desempeño superior del 6%. De esta manera se demostró que una metodología construida en campo permitió el desarrollo de soluciones aplicables a entornos reales y que aunque se haya presentado un buen desempeño aún es necesario seguir trabajando en técnicas que permitan alcanzar los resultados de algoritmos entrenados bajo condiciones controladas.application/pdfspaAtribución-NoComercial-CompartirIgual 4.0 InternacionalProcesamiento de imágenesDiagnósticos visualesTécnicas de visión artificial bajo condiciones de campoClasificadores610.28Tesis/Trabajo de grado - Monografía - PregradoImage processingVisual diagnosticsMachine vision techniques under field conditionsClassifiersinstname:Universidad El Bosquereponame:Repositorio Institucional Universidad El Bosquehttps://repositorio.unbosque.edu.coAcceso abiertoinfo:eu-repo/semantics/openAccesshttps://purl.org/coar/access_right/c_abf2