Bogotá - Ingeniería - Maestría en Ingeniería - Ingeniería de Sistemas y Computación · 2026
Detección de patologías de plantas en cultivos de palma aceitera a partir del análisis automático de imágenes multiespectrales basado en técnicas de procesamiento digital de imágenes y aprendizaje computacional
Este trabajo de grado aborda la aplicación de técnicas de visión por computadora y el análisis de imágenes multiespectrales, para la posible detección temprana de la Marchitez Letal (ML), una de las enfermedades más devastadoras en los cultivos de palma aceitera (Elaeis guineensis Jacp.) en Colombia. Se aplicó la metodología CRISP-DM. Para la adquisición de datos, se utilizó unas aeronaves remotamente pilotadas equipadas con el sensor multiespectral Micasense Rededge M. Para el procesamiento de las imágenes multiespectrales se aplicaron técnicas de procesamiento digital de imágenes, como la normalización de la reflectancia, así como de índices vegetacionales como el NDRE, para el realce de características de imagen. El componente principal del estudio se enfoca en la implementación de una red neuronal convolucional (CNN), y la exploración de arquitecturas como EfficientNetB0 y ResNet50V2 para realizar un a clasificación binaria de las palmas: sanas y enfermas. Logrando resultados de las métricas de desempeño en el modelo de la CNN escogida valores sobresalientes, como una exactitud (accuracy) general del 88% y un AUC de 0,8758, en arquitecturas como ResNet50V2 la exactitud fue de 93%, revelando un comportamiento prometedor con datos multiespectrales en la detección de los estados de la enfermedad. Este trabajo de grado presenta que el uso de imágenes multiespectrales y técnicas de aprendizaje computacional podrían ser una herramienta viable para el monitoreo y control de la enfermedad, ofreciendo una posible solución en comparación con los métodos de inspección visual tradicionales. (Texto tomado de la fuente)
Full text 108 pages with text out of 115
Read the full thesis Record in the repository
Contents
- 1. Estado del arte y Marco Teóricop. 39
- Contexto de la palmicultura y la Marchitez Letal(ML)p. 24
- 1.1.1 Impacto fitosanitario y económico de la Marchitez Letalp. 24
- 1.1.2 Métodos de detección tradicionales y sus limitacionesp. 25
- Fundamentos tecnológicosp. 27
- 1.2.1 Visión por computadora y su aplicación en la agricultura de precisiónp. 30
- 1.2.2 Percepción remota y el uso de imágenes multiespectralesp. 31
- 1.2.3 Principios de las firmas espectrales y su relación con la salud vegetalp. 31
- Marco conceptualp. 32
- 1.3.1 Aprendizaje computacional en la detección de patologías vegetalesp. 32
- 1.3.2 Trabajos previos y comparación con la presente investigaciónp. 33
- 1.3.3 Introducción al aprendizaje automático y el aprendizaje profundop. 37
- 1.3.4 Redes neuronales convolucionales (CNN): fundamentos y arquitecturasp. 38
- 1.3.5 Arquitecturas avanzadas: EfficientNetB0 y ResNet50V2p. 40
- 1.3.6 Objetivos del trabajo de gradop. 41
- 2. Metodologíap. 43
- Metodología del proyectop. 42
- 2.1.1 Adopción del modelo CRISP-DMp. 42
- Adquisición y preparación de datosp. 44
- 2.2.1 Adquisición de imágenes multiespectrales con ARPp. 44
- 2.2.2 Preprocesamiento de imágenes: normalización y ortomosaicosp. 46
- 2.2.3 Segmentación y etiquetado de la base de datosp. 48
- 2.2.4 Corrección de ruido y eliminación de imágenes defectuosasp. 52
- 2.2.5 Técnicas de aumento de datosp. 54
- 2.2.6 Generación de conjuntos de entrenamiento, validación y pruebap. 54
- Construcción del modelop. 56
- 2.3.1 Diseño y entrenamiento de las redes neuronalesp. 56
- 2.3.2 Implementación del modelop. 59
- 2.3.3 Ajuste de hiperparámetrosp. 60
- 2.3.4 Transferencia de aprendizaje y ajuste fino de arquitecturasp. 61
- Métrica de evaluaciónp. 62
- 2.4.1 Medidas de desempeño del modelo: Accuracy, AUC y F1-scorep. 65
- Análisis de resultadosp. 66
- Resultados cuantitativosp. 66
- 3.1.1 Rendimiento de los modelos: análisis de métricasp. 79
- 3.1.2 Análisis de resultados de las métricas por plieguesp. 81
- 3.1.3 Comparación de arquitecturas con los conjuntos de validaciónp. 84
- Evaluación cualitativap. 88
- 3.2.1 Análisis de las predicciones de los modelosp. 88
- Discusión de los hallazgosp. 92
- 3.3.1 Aportes de la investigaciónp. 92
- 3.3.2 Limitaciones del estudio y trabajos futurosp. 93
- 3.3.3 Retos y futuras líneas de investigaciónp. 95
- Anexosp. 98
- Anexo: Algoritmos Usadosp. 98
- Anexo: Tablas de métricas por pliegue para cada arquitecturap. 98
- Anexo: Reporte de Clasificación (Datos de Validación)p. 99
- D ANEXO: ORTOFOTOMOSAICOS USADOSp. 101
- https://gidahatari.com)p. 29
- 2008)p. 29
- Light-Sensor)p. 30
- Figura 1-4: tipos de capas principales de una CNNp. 39
- Figura 1-5: conexión residual usada por ResNetp. 40
- Figura 2-1:Esquema modelo metodológico usadop. 42
- Figura 2-2: esquema de adquisición y preparación de los datosp. 44
- Figura 2-3:Ortofotomosaico del segmento de cultivo utilizadop. 46
- Figura 2-4: Histograma de imagen ráster previo a la normalizaciónp. 48
- Figura 2-5: Histograma de imagen ráster posterior a la normalizaciónp. 48
- Figura 2-6: Ejemplo de selección de corte de individuosp. 48
- colorp. 51
- Figura 2-8:Imagen RGB de un individuo de palma sanop. 51
- Figura 2-9: Codificación nombre de archivos por individuo (árbol de palma)p. 51
- sus bordesp. 53
- Figura 2-11: Arquitectura CNNp. 58
- Figura 2-12:Gráfica de la métrica AUCp. 64
- conjunto de datos del Experimento 1p. 69
- conjunto de datos del Experimento 1p. 70
- conjunto de datos del Experimento 1p. 71
- datos del Experimento1p. 71
- conjunto de datos del Experimento 2p. 73
- conjunto de datos del Experimento 2p. 74
- conjunto de datos del Experimento 2p. 74
- datos del Experimento 2p. 75
- conjunto de datos del Experimento 3p. 76
- conjunto de datos del Experimento 3p. 77
- conjunto de datos del Experimento 3p. 77
- datos del Experimento3p. 78
- Figura 3-13:Resultados de métricas CNN Propuesta por pliegue para cada clasep. 82
- Figura 3-14:Resultados de métricas ResNet50v2 por pliegue para cada clasep. 83
- Figura 3-15:Resultados de métricas EFFICIENTNETB0 por pliegue para cada clasep. 84
- el experimento 1p. 85
- el experimento 2p. 86
- el experimento 3p. 87
- cultivos de palma aceitera (Elaeis guineensis Jacp.)p. 26
- RedEdge-MTM Multispectral Camera User Manual</i>, n.d.)p. 45
- Tabla 2-2:Arquitecturas exploración de CNNp. 57
- Tabla 2-3: distribución de valores en la matriz de confusiónp. 62
- modelop. 66
- Tabla 3-2:Matriz de Confusión y Métricas de Rendimiento Experimento 1p. 67
- Tabla 3-3:Matriz de Confusión y Métricas de Rendimiento Experimento 2p. 72
- Tabla 3-4:Matriz de Confusión y Métricas de Rendimiento Experimento 3p. 75
- Tabla 3-5:Resultado de variabilidad de Recall por experimentop. 81
- modelos para el experimento 1p. 85
- modelos para el experimento 2p. 86
- modelos para el experimento 3p. 87