TL PiscoyaFerreñanJesus

UNIVERSIDAD CATÓLICA SANTO TORIBIO DE MOGROVEJO
FACULTAD DE INGENIERÍA
ESCUELA DE INGENIERÍA DE SISTEMAS Y COMPUTACIÓN
SISTEMA DE VISIÓN ARTIFICIAL PARA APOYAR EN LA

IDENTIFICACIÓN DE PLAGAS Y ENFERMEDADES DEL
CULTIVO DE SANDÍA EN EL DISTRITO DE FERREÑAFE
TESIS PARA OPTAR EL TÍTULO DE
INGENIERO DE SISTEMAS Y COMPUTACIÓN
AUTOR
JESUS ENRIQUE PISCOYA FERREÑAN
ASESOR
Mgtr. CARLOS RODAS DÍAZ
Chiclayo, 2019
DEDICATORIA
Esta tesis se la dedico a mi Dios quién supo guiarme por el buen camino, darme fuerzas para
seguir adelante y no desmayar en los problemas que se presentaban, enseñándome a encarar las
adversidades sin perderme en el intento.
A mis padres por su apoyo, consejos, comprensión, amor y ayuda en los momentos difíciles, y
por ayudarme con los recursos necesarios para estudiar.
EPÍGRAFE
“Estoy en deuda con mis padres por vivir, pero con mis maestros por vivir bien.”
Alejandro Magno
AGRADECIMIENTOS
Al dueño del cultivo por su apoyo y permitir que pueda realizar esta investigación dentro
de sus campos. A los docentes quienes me transmitieron sus conocimientos en cada clase
durante mi carrera universitaria. A mi asesor Carlos Rodas Díaz por la paciencia que me
dedicó y su guía durante la realización de mi investigación.
ÍNDICE
I. INTRODUCCIÓN ...........................................................................................................1
II. MARCO TEÓRICO ........................................................................................................3
2.1. ANTECEDENTES................................................................................................3
2.2. BASES TEÓRICO CIENTÍFICAS ...........................................................................6
2.2.1. SANDÍA. ....................................................................................................................6
2.2.2. PLAGAS Y ENFERMEDADES EN EL CULTIVO DE SANDÍA ........................................6
2.2.2.1. DETECCIÓN DE PLAGAS .......................................................................................7
2.2.3. SISTEMA DE INFORMACIÓN ....................................................................................8
2.2.3.1. TIPOS DE APLICACIONES ......................................................................................8
A. APLICACIONES MÓVILES .............................................................................................8
2.2.4. LENGUAJES DE PROGRAMACIÓN ...........................................................................9

2.2.4.1. PHP…………………………………………………………………………………………………………………..9
2.2.4.2. JAVA ....................................................................................................................9
2.2.5. MANEJADORES DE BASE DE DATOS ....................................................................10
2.2.5.1. POSTGRESQL ......................................................................................................10
2.2.6. INTELIGENCIA ARTIFICIAL ..................................................................................10
2.2.7. VISIÓN ARTIFICIAL ...............................................................................................11
2.2.7.1. MÉTODOS ...........................................................................................................12
A. P ROCESAMIENTO DE IMÁGENES DIGITALES .............................................................12
B. ALGORITMO DE SELECCIÓN ORB .............................................................................13
2.2.8. REDES NEURONALES.............................................................................................14

2.2.8.1. VENTAJAS: ..........................................................................................................15
2.2.8.2. TIPOS DE APRENDIZAJE .....................................................................................15
III. MATERIALES Y MÉTODOS ......................................................................................16
3.1. DISEÑO DE INVESTIGACIÓN ............................................................................... 16

3.1.1. TIPO DE INVESTIGACIÓN ......................................................................................16
3.1.2. HIPÓTESIS..............................................................................................................16
3.2. DISEÑO DE CONTRASTACIÓN DE HIPÓTESIS ...........................................................16
3.3.. POBLACIÓN Y MUESTRA .........................................................................................16
3.3.1. Población………………. ......................................................................................16
3.3.2. Muestra…………………………………………………………………………... 17
3.4. CRITERIOS DE SELECCIÓN.............................................................................. 17
3.5. OPERACIONALIZACIÓN DE VARIABLES ........................................................... 17
3.5.1. VARIABLES ............................................................................................................17
3.5.1.1. Variable independiente .....................................................................................17
3.5.1.2. Variable dependiente ........................................................................................17
3.5.2 INDICADORES .................................................................................................. 18
3.6. MÉTODOS Y TÉCNICAS DE RECOLECCIÓN DE DATOS .............................................19
3.7. PROCEDIMIENTOS ............................................................................................. 19
3.8. PLAN DE PROCESAMIENTO Y ANÁLISIS DE DATOS ............................................... 20
3.9. CONSIDERACIONES ÉTICAS ................................................................................ 20
3.10. MATRIZ DE CONSISTENCIA .............................................................................. 21
IV. RESULTADOS ..............................................................................................................22
4.1. REQUERIMIENTOS .......................................................................................... 22

4.1.1. REQUERIMIENTOS FUNCIONALES ................................................................... 22
4.1.2. REQUERIMIENTOS NO FUNCIONALES .............................................................. 22
4.1.3. REQUERIMIENTOS DEL SISTEMA .................................................................... 23
4.3.3.1 REQUERIMIENTOS PARA EL DESARROLLO .................................................... 23
4.1.3.2. REQUERIMIENTOS PARA EL FUNCIONAMIENTO ............................................ 24
4.1.3.3 REQUERIMIENTOS DE HOSTING .................................................................... 24
4.2. REPRESENTACIÓN DE IMÁGENES .................................................................... 25
4.3. PROCESAMIENTO LA IMAGEN ......................................................................... 33
4.4. ANÁLISIS LA IMAGEN...................................................................................... 34
4.4.1. INTERFAZ DE ANÁLISIS DE IMAGEN ................................................................ 35
4.4.1.2. FUNCIONES: .............................................................................................. 35
4.4.2. INTERFAZ DE INFORMACIÓN DE PLAGA .......................................................... 36
4.4.3. INTERFAZ DE CÓMO LLEGAR A LA TIENDA DE AGROQUÍMICOS ....................... 37
4.5. DEMOSTRACIÓN DE OBJETIVOS...................................................................... 38
4.5.1. INCREMENTAR EL NIVEL DE INFORMACIÓN QUE SE TIENE ACERCA DE LA PLAGA
O ENFERMEDAD IDENTIFICADA. ............................................................................... 38
4.5.2. INCREMENTAR EL NIVEL DE INFORMACIÓN DEL AGROQUÍMICO QUE SE

APLICARÁ SEGÚN LA PLAGA O ENFERMEDAD IDENTIFICADA. ................................... 39
4.5.3. REDUCIR EL TIEMPO PROMEDIO UTILIZADO POR EL AGRICULTOR PARA DE LA
IDENTIFICACIÓN DE UNA PLAGA O ENFERMEDAD EN EL CULTIVO DE SANDÍA. ........... 40
4.5.4. REDUCIR COSTOS EN CONTRATACIONES DE MANO DE OBRA PARA LA

IDENTIFICACIÓN DE PLAGAS Y ENFERMEDADES EN EL CULTIVO DE SANDÍA. ............. 41
V. DISCUSIÓN ...................................................................................................................42
VI. CONCLUSIONES Y RECOMENDACIONES............................................................44
6.1. CONCLUSIONES..........................................................................................................44
6.2. RECOMENDACIONES ................................................................................................45
VII. REFERENCIAS BIBLIOGRÁFICAS .........................................................................46
VIII. ANEXOS .........................................................................................................................48

ÍNDICE DE TABLAS
TABLA 1 PLAGAS Y ENFERMEDADES MÁS COMUNES EN EL CULTIVO DE SANDÍA ......... 8
TABLA 2 DISEÑO DE CONTRASTACIÓN DE HIPÓTESIS ................................................... 17
TABLA 3 INDICADORES .................................................................................................. 19
TABLA 4 MÉTODOS Y TÉCNICAS DE RECOLECCIÓN DE DATOS ..................................... 20
TABLA 5 PLANTAS CUCÚRBITAS..................................................................................... 48
TABLA 6 PRINCIPALES PLAGAS DE LA SANDÍA EN ESTUDIO.......................................... 54

ÍNDICE DE FIGURAS
FIGURA 1: ETAPAS PARA EL PROCESAMIENTO DE IMÁGENES ....................................... 13
FIGURA 2: ORB PATRON DE MATCHEO ........................................................................ 14
FIGURA 3: SURF PATRÓN DE MATCHEO ....................................................................... 15
FIGURA 4: ESQUEMA DE UNA NEURONA ARTIFICIAL ..................................................... 15
FIGURA 5: IMAGEN CON PLAGA DENOMINA: CHUPADERA ............................................ 25
FIGURA 6: HOJA DE SANDÍA CON ENFERMEDAD DENOMINADA OÍDIUM……...............25

FIGURA 7: SPLASH SCREEN ............................................................................................. 26
FIGURA 8: INTERFAZ PRINCIPAL .................................................................................... 27
FIGURA 9: INTERFAZ DE USUARIO ADMINISTRADOR ..................................................... 28
FIGURA 10: INTERFAZ DEL MENU ADMINISTRADOR ...................................................... 28
FIGURA 11: INTERFAZ DE CAPTURA DE IMÁGENES....................................................... 29
FIGURA 12: INTERFAZ DE ENTRENAMIENTO DE LA RED NEURONAL............................ 30
FIGURA 13: PERCEPTRON SIMPLE ............................................................................. 30
FIGURA 14: CONSOLA CON LOS DATOS OBTENIDOS POR ANDROID STUDIO ................. 31
FIGURA 15: INTERPRETACIÓN GRAFICA DE CÓMO FUNCIONA LA WEBSERVICES ........ 31
FIGURA 16: ALMACENAMIENTO EN LA BASE DE DATOS – COLUMNA

RED_NEURONAL_DATOS_PLAGA_ENFERMEDAD ................................................... 32
FIGURA 17: IMAGEN DE SANDÍA CON PATRONES IDENTIFICADOS, ALGORITMO DE

SELECCIÓN ORB .................................................................................................... 32
FIGURA 18: PLANTA DE SANDÍA ENCONTRADA EN LA BASE DE DATOS ........................ 34
FIGURA 19: INTERFAZ DE INFORMACIÓN PARA EL USUARIO ........................................ 35
FIGURA 20: INTERFAZ DE INFORMACIÓN DE PLAGA O ENFERMEDAD........................... 36
FIGURA 21: INTERFAZ DE INFORMACIÓN DE AGROQUÍMICO ........................................ 37
FIGURA 22: IDENTIFICACIÓN DE PLAGA DENOMINADA: PULGÓN................................. 38
FIGURA 23: PLAGA BOTRYTIS CINÉREA IDENTIFICADA ................................................ 39
FIGURA 24: RESPUESTA 1, ENCUESTA ANEXO 3 ............................................................ 50

FIGURA 33: RESPUESTA 10, ENCUESTA ANEXO 3 .......................................................... 53
FIGURA 34: BASE DE DATOS ........................................................................................... 55
FIGURA 35: PROFORMA ANÁLISIS AGRÓNOMO ............................................................. 57

RESUMEN
La comunidad de agricultores sembradores de Sandía, cada día se enfrentan a mayores

retos que implican el manejo de enormes volúmenes de datos que crecen de manera
exponencial en tamaño y complejidad, es así que uno de los problemas en los cultivos es
la correcta identificación y suministración de agroquímicos que se les provee a las plagas
o enfermedades en el cultivo de Sandía. La identificación hasta hoy se realiza de forma
visual por los agricultores siendo una limitante en cuanto al correcto reconocimiento de
la plaga o enfermedad y por consecuencia la utilización de un agroquímico incorrecto.
Este proyecto desarrolló una aplicación móvil para identificar y brindar el agroquímico
correcto para las plagas o enfermedades del cultivo de Sandía en el distrito de Ferreñafe.
Utilizando características consecuentes del agente hospedante en el cultivo de sandía y
los algoritmos de la inteligencia artificial, se pretende hallar patrones relevantes en las
imágenes de forma rápida y confiable.
El software realizará una búsqueda en los repositorios de datos previamente registrados,

una vez capturada la imagen, esta se procesará en busca de patrones que los compare e
identifique. Así mismo se realizará un análisis interno para identificar qué tipo de plaga
o enfermedad está atacando el cultivo de sandía. Esto apoyará a los agricultores a la
correcta identificación de plagas o enfermedades con la intención de suministrar el
agroquímico correcto.
PALABRAS CLAVES: Inteligencia Artificial, Sandía, Agroquímico, Aplicación Móvil

ABSTRACT
The community of farmers sowing watermelon, every day face greater challenges that
involve the handling of huge volumes of data that grow exponentially in size and
complexity, so one of the problems in crops is the correct identification and supply of
agrochemicals that are provided to pests or diseases in the watermelon crop. The
identification until today is done in a visual way by the farmers being a limitation in the
correct recognition of the pest or disease and consequently the use of an incorrect
agrochemical.
This project developed a mobile application to identify and provide the correct
agrochemical for the pests or diseases of the Watermelon crop in the district of Ferreñafe.
Using consistent characteristics of the host agent in watermelon culture and artificial
intelligence algorithms, it is intended to find relevant patterns in the images quickly and
reliably.
The software will perform a search in previously registered data repositories, once the
image is captured, it will be processed in search of patterns that compare and identify
them. Likewise, an internal analysis will be carried out to identify what type of pest or
disease is attacking the watermelon crop. This will help farmers to correctly identify pests
or diseases with the intention of supplying the correct agrochemical.
KEYWORDS: Artificial Intelligence, Watermelon, Agrochemical, Mobile Application.

I. INTRODUCCIÓN
Las plagas o enfermedades son uno de los principales problemas fitosanitarios que
ocasionan pérdida de cosechas de hasta el 30% a nivel mundial. Si se considera
que las plantas cultivadas le proporcionan al ser humano una parte fundamental
de su dieta y que aportan a los países productores importantes divisas, se puede
concluir que el daño causado por las plagas no solo tiene un impacto social, sino
que también económico [1].
Una plaga es una combinación entre un patógeno virulento, un hospedante y un

clima favorable. A esto se le llama el triángulo de la enfermedad siendo el
hospedante el cultivo. El Ambiente son las condiciones climáticas que muchas
veces favorecen la proliferación de las plagas. Los factores más favorables para
las plagas son la lluvia, rocío, humedad relativa, además de la temperatura que es
responsable del desencadenamiento de la infección, esporulación y de la velocidad
[2].
La identificación de plagas a ciencia cierta se ha convertido en un dilema para los

agricultores que cada día se enfrentan a nuevos retos por mantener vivos los
cultivos [1], En la actualidad el agricultor se basa en su percepción visual para la
identificación de plagas y enfermedades que estén presente en su cultivo, este
proceso puede durar entre 25 a 30 minutos (Anexo 4) e inclusive no llegan a una
identificación correcta. Así mismo algunos agricultores requieren la presencia de
personas que tienen cierto conocimiento de plagas y enfermedades mayormente
personas dedicadas al rubro de ventas de agroquímicos, quienes acuden a los
terrenos a identificar la plaga o enfermedad que azota a los cultivos, generando un
costo adicional ya que estas personas cobran por sus servicios.
Según [3], quien es ingeniero agrónomo perteneciente a la empresa Agrotec del

Valle y uno de los agricultores con mayor productividad de sandía y arroz en el
distrito de Ferreñafe nos indicó que una deficiencia que cometen los agricultores
al identificar una plaga por percepción visual es que se basan en los efectos
consecuentes de estas, es decir pueden confundir una plaga con una enfermedad,
por ejemplo una consecuencia de la plaga llamada Mosca Minadora (Liriomiza
spp) es dejar líneas o carriles de color blanco en la hoja, así mismo la consecuencia
de la enfermedad llamada Oídio o Ceniza (Sphaerotheca fuliginea y Erysiphe
cichoracearum) es dejar manchas blancas en la hoja, de esta manera el agricultor
puede confundir el tipo de patógeno que está atacando a su cultivo y adquirir un
agroquímico erróneo causando la no erradicación de la plaga, la muerte del cultivo
o un gasto excesivo en su plan de cultivo.
En el marco de la sustentabilidad de los sistemas agrícolas, el manejo integrado

de plagas y enfermedades propone utilizar todas las técnicas y métodos
disponibles y compatibles entre sí, para mantener a la población vegetal de una
plaga o enfermedad en niveles por debajo de aquellos que causan daño económico
[4], es por eso que con la intención de erradicar las plagas y enfermedades el
agricultor adquiere cualquier producto agroquímico, sin embargo la falta de
información sobre el patógeno que afecta el cultivo o en el agroquímico aplicable
con respecto al empleo irracional , uso de mezclas inadecuadas, utilización de
productos no efectivos, aplicación de químicos persistentes, equipo inadecuado,
1
incremento en la frecuencia y dosis de las aplicaciones provoca la eliminación de
no solo insectos benéficos, sino también el surgimiento de la resistencia de las
principales plagas a los plaguicidas, así también como la contaminación de agua,
aire y suelo, acumulando residuos tóxicos además de ocasionar la intoxicación del
hombre y su entorno [1].
Por lo expuesto, se ha considerado plantear la formulación del problema en la

siguiente interrogante ¿De qué manera se puede apoyar en la identificación de
plagas y enfermedades del cultivo de Sandía en el distrito de Ferreñafe?, para la
cual se ha definido la siguiente hipótesis: La creación de un sistema de visión
artificial permitirá apoyar en la identificación de plagas y enfermedades del
cultivo de Sandía en el distrito de Ferreñafe.
Se planteó como objetivo general: “Crear un sistema de visión artificial para

apoyar en la identificación de plagas o enfermedades que afectan al cultivo de
Sandia en el distrito de Ferreñafe”. Para lo cual se establecieron los siguientes
objetivos específicos:
- Incrementar el nivel de información que se tiene acerca de la plaga o enfermedad

identificada.
- Incrementar el nivel de información del agroquímico que se recomendará según la
plaga o enfermedad identificada.
- Reducir el tiempo promedio utilizado por el agricultor para la identificación de una
plaga o enfermedad en el cultivo de sandía.
- Reducir costos en contrataciones de mano de obra para la identificación de plagas
y enfermedades en el cultivo de sandía.
Con respecto a la parte social, la cantidad de agricultores que presentan

dificultades para la identificación de plagas y enfermedades en el cultivo de sandía
se eleva contantemente, es por eso que se necesitan medios que apoyen en la
identificación para prevenir complicaciones en todas las etapas de producción de
este cultivo. Se espera que con este proyecto ayude no solo en la identificación
sino también en la proporción de un agroquímico en base a la plaga o enfermedad
identificada.
La presente tesis tiene por justificación tecnológica el desarrollo de un sistema de

visión artificial que permita identificar las plagas y enfermedades del cultivo de
sandía para que con esto los agricultores tengan una herramienta de apoyo para
identificar con mejor precisión la plaga o enfermedad que ataca al cultivo, así
mismo poder aplicar el agroquímico correspondiente, además de ello encontrar el
lugar donde se pueda adquirir el producto marcando una ruta adecuada desde la
posición actual donde se encuentra el agricultor hasta el lugar donde podrá
adquirirlo.
Finalmente en el ámbito económico, el uso de este software permitirá al agricultor

tener una herramienta complementaria, haciendo uso de ella podrá reducir costos
de esfuerzo y mano de obra sobre todo en el tiempo del proceso de identificación
de plagas y enfermedades del cultivo de sandía, así mismo con la recomendación
y aplicación de los agroquímicos correctos podrá obtener una buena productividad
al cosechar.
2
II. MARCO TEÓRICO
2.1. Antecedentes
A nivel internacional en el trabajo realizado [5] explica la necesidad de

reconocer imágenes que a simple vista son difíciles de identificar o por
ignorancia, además de no saber la información relevante de las mismas, para
eso se logró obtener la solución, diseñando un sistema de reconocimiento de
imágenes para dispositivos móviles, con una conexión permanente con el
servidor, que además debería poder adaptarse a cualquier tipo de imagen que
se quiera identificar, aplicando métodos como la binarización y pixeleo de
imágenes.
La investigación mencionada guarda relación con la investigación en estudio

por la utilización de métodos que se aplica en el tratamiento de las imágenes,
además de la permanente conexión a un servidor que nos servirá para el
desarrollo de esta investigación.
Otra investigación realizada [6] donde aplica métodos de procesamiento de

imágenes como detección de bordes utilizando descriptores elípticos de
Fourier. Logrando solucionar la problemática de cómo saber el nombre de la
especie botánica (común o científico), para esto es común el uso de guías de
campo, pero estas guías suelen ser demasiado amplias y específicas a algún
sector geográfico (en especial las impresas) por lo que es muy costoso
utilizarlas para un usuario común sin mayores conocimientos en botánica.
Finalmente se logró entregar resultados de búsqueda correctos con un margen
de error de 4.4% en la especie consultada.
Se toma en consideración esta tesis ya que aplica técnicas de reconocimiento

de imágenes como segmentación empleado en la identificación de bordes,
diferenciando el fondo de la imagen con el fondo de la hoja, además clasifica
a cada pixel por su brillo, esto quiere decir que para identificar una especie
botánica se necesitan controles en base a colores y formas, siendo
características importantes para un mejor reconocimiento de imágenes.
En la Tesis [7] donde propone mejorar el reconocimiento de objetos 2d

mediante la detección de bordes en imágenes a color estudiando las
características de adelgazamiento de bordes, se proponen importantes
algoritmos para la extracción de los bordes de un objeto, del adelgazamiento
de estos, del sistema de representación de contornos, etc., todo esto usando
algoritmos de reconocimiento de patrones.
El presente trabajo desarrolla una metodología de reconocimiento de objetos

bidimensionales basada en el uso de un algoritmo de detección de bordes en
imágenes en color y en análisis de la curvatura de los puntos de los contornos.
Es bastante relevante ya que permite una mejor obtención de objetos y un
mejor reconocimiento de patrones.
3
A nivel Nacional la investigación realizada [8] utilizo métodos como el
Método de extracción de regiones de imágenes, detección de bordes verticales
y aplico la técnica Hough Transform logrando obtener la solución para la
problemática de identificar placas de los autos en casos como infracciones de
tránsito, robos o accidentes vehiculares. Finalmente, el autor concluyó que a
pesar del tiempo promedio que se tuvo en el procesamiento es mayor a otras
técnicas, el algoritmo es más complejo pero sofisticado debido a los múltiples
análisis que debe realizar en cada una de las etapas.
Se tomó en consideración esta tesis ya que aplica la técnica Hough analizando

patrones en cuanto a regiones de colores, así mismo el autor propone la
construcción de un algoritmo que se ejecuta en el procesamiento de imágenes
digitales basados en 4 etapas (entrada, umbralización automática,
caracterización y salida). Por otro se recomienda usar imágenes con dimensión
de 720 pixeles como mínimo de alto por 1280 pixeles de ancho para que el
procesamiento no sea tan pesado y para tener una imagen aceptable calidad.
De esta forma la presente investigación guarda cierto tipo de relación con el
presente informe.
Otra investigación que se realizó [9] donde realizo un Sistema de Clasificación

basado en visión por computador. Donde realiza un sistema automatizado
controlado por visión artificial, utilizando hardware (sensor de luz, control de
motor a pasos) y software (control por MATLAB). En el que el principio
básico de funcionamiento es transportar objetos de color (rojo, verde y azul)
por una faja transportadora, detectarlos con un sensor, capturar la imagen con
una cámara web común, procesarla por MATLAB para clasificarlos en tres
distintos contenedores. Con este proceso se logró una clasificación de objetos
eficaz tanto en color y forma.
Este es otro antecedente directo, ya que se puede analizar como el sistema de

visión artificial o visión por computador, realiza las tres etapas de recepción,
procesamiento y análisis de imágenes, procedimiento que se usara para el
desarrollo de la presente tesis.
A nivel local en la Tesis realizada [10] ofrece una alternativa eficiente a las
empresas industriales en uno de sus procesos más importantes en el cual es la
cloración del agua. Es así como desarrolla un sistema de visión artificial,
basándose en el tratamiento de imágenes para mejorar el proceso antes
mencionado obteniendo grandes resultados según enuncia las conclusiones en
esta tesis que nos muestra un ahorro en coste, en tiempo y una mejor calidad
del agua.
Esta tesis es otro antecedente directo, que trabaja bajo la misma metodología,
permitiendo mejorar en eficacia y eficiencia la cloración del agua, además
destaca el uso de redes neuronales el cual nos ayudará para desarrollar el
sistema móvil.
Otra tesis que encontramos a nivel local [11] se realizó en la Universidad

Católica Santo Toribio de Mogrovejo, en Lambayeque, Perú en el 2009, por
Shirley Vanesse Manosalva Delgado. La problemática a la que se pretende
4
apoyar en esta tesis es a mejorar el diagnóstico de nódulos pulmonares en
imágenes de rayos X del tórax. Esta tesis usa la metodología de visión
artificial, la cual consta de 2 etapas, las cuales se desarrollan en procesamiento
digital de imágenes y análisis con reconocimiento de patrones. Con los
algoritmos de PDI la máquina da aprendizaje para el reconocimiento de
patrones, obtención de la información de objetos para la clasificación a través
de rasgos.
Esta tesis no requiere de la primera etapa pues estas imágenes de rayos x son
tomadas en diferido y enviadas al ordenador, sin embargo, sigue siendo un
antecedente directo, que trabaja un sistema de visión artificial bastante
interesante por la metodología que usa al implementar el software.
5
2.2. Bases teórico científicas
A continuación, presentaré las bases teóricas científicas que estarán

compuestas por los principales constructos de esta investigación.
2.2.1. Sandía
La Sandía (Citrulus vulgaris), Es una planta perteneciente a la familia de las

cucurbitáceas y tiene su origen en el desierto de Kalahari en el continente
africano, donde aún, hoy en día crece en forma silvestre. Los primeros
vestigios de su cultivo se encontraron concretamente en Egipto, desde 3000
años A.C., donde se extendió a numerosas regiones bañadas por el mar
Mediterráneo. Los pobladores europeos fueron quienes la llevaron hasta
América, donde su cultivo se extendió por todo el continente. [12]
En el Perú la producción de Sandia bordea las 90789 toneladas métricas

siendo el departamento de la Libertad el mayor productor de Sandía con
aproximadamente 20484 toneladas métricas a diferencia del departamento
de Lambayeque que cuenta con aproximadamente 2962 toneladas métricas
de producción. [13]
Según [3] los frutos son normalmente redondos u ovalados con cáscara
reticulada, los frutos pueden pesar entre 2.0 kl. A 15.0 kl. En el Perú, se
siembra en la zona central y norte donde las temperaturas ascienden los 25
°C. Sus raíces penetran el suelo hasta 2 metros de profundidad, posee tallos
herbáceos y rastreros que tienen una longitud desde los 1.5 metros hasta 3.5
metros.
Para la presente investigación se realizó estudios de plagas y enfermedades

en el cultivo de sandía de tipo Hardimora, cabe mencionar que existen
muchos tipos y variedades de este cultivo y que para cada uno de ellos
existen diferentes plagas y enfermedades que las atacan.
2.2.2. Plagas y enfermedades en el cultivo de Sandía
Uno de los mayores desafíos de la agricultura actual es lograr una

productividad elevada conservando los recursos naturales. La
sustentabilidad agrícola requiere que la misma sea suficientemente
productiva, económicamente viable, conserve la base de recursos naturales
y preserve la integridad del ambiente en el ámbito local, regional y global.
Además, debe contemplar la diversidad socio-cultural en la búsqueda de
alternativas productivas [14].
El cultivo de sandía es un fruto muy delicado y propenso a plagas o

enfermedades que atacan múltiples zonas de su cuerpo vegetal, sobre todo
en sus hojas, a continuación, detallamos de qué forma son detectadas las
plagas o enfermedades.
6
2.2.2.1. Detección de plagas
Según [3] en la entrevista realizada, la forma en que un agricultor detecta

una plaga en su cultivo es de forma visual, primero recorre el campo y
observa cada cultivo con la intención de encontrar algo diferente basados en
su experiencia, pero muchas veces hay plagas o enfermedades que coinciden
en sus efectos, por ejemplo el amarillamiento en las hojas es usual en plagas
como “pulgones” y en enfermedades como el “fusayo”, el agricultor
inexperto puede cometer el error de confundir y suministrar un agroquímico
incorrecto.
Tabla 1: Plagas y enfermedades más comunes en el cultivo de

Sandía
Nombre Común Nombre Científico Efectos
Pulgones Aphis Frangulae Kalt. Producen abarquillamiento de las hojas,

amarillamientos, debilitamientos, etc.
Mosca blanca de los Trialeurodes Deteriora las hojas

invernaderos vaporariorum Westw
Atacan a las plantas de la sandía cuando son

jóvenes, devorando el tallo e incluso las
Gusanos grises Agrotis sp hojas.
Tetranichus Puede atacar al cultivo de manera que puede

cinnabarinnus reducir muy drásticamente la producción.
Araña roja
Orugas Autographa gamma Nos encontramos con unas perforaciones de

tamaño considerable por donde, a veces,
podemos ver a la oruga zamparse nuestro
fruto.
Mosca minadora Liriomiza Spp. Hace galerías claras y sinuosas en las hojas.
Las plantas dañadas presentan hojas con

pequeñas manchas plateadas e irregulares,
Trips de las flores Frankliniella que corresponden con lesiones en el envés.
occidentalis
Este hongo hace que aparezcan unas

manchas verde claro en el haz de las hojas
Mildiu Pseudoperonospora que pasan a ser amarillentas y redondas.
cubensis
Producen manchas blanquecinas,

redondeadas y pulverulentas a ambos lados
Oídio o ceniza Sphaerotheca fuliginea de la hoja, como si fueran copos de nieve.
7
2.2.3. Sistema de Información
Los sistemas de información (SI) son un conjunto de elementos o

componentes interrelacionados para recolectar (entrada), manipular
(procesamiento) y diseminar (salida) datos e información, que cuenta
además con un mecanismo de retroalimentación para el cumplimiento de un
objetivo. Estos ayudan a cambiar la manera de trabajar en las
organizaciones. [15]
El objetivo de los Sistema de información es facilitar y ejecutar

automáticamente procesos que constantemente se realizan de forma manual,
mediante la dotación de la información adecuada, con la calidad suficiente,
a la persona apropiada, en el momento y lugar oportuno, y con el formato
más útil para el usuario.
2.2.3.1. Tipos de aplicaciones
Las aplicaciones son aquellas que permiten a los usuarios llevar a cabo una
o varias tareas específicas, en cualquier campo de actividad susceptible de
ser automatizado o asistido, con especial énfasis en los negocios. [16]
Entre los tipos de aplicaciones tenemos:
o Aplicaciones de escritorio
o Aplicaciones web
o Aplicaciones móviles
Para el desarrollo de la presente tesis se implementará una aplicación móvil

con el fin de que el agricultor tenga mayor accesibilidad y comodidad en el
uso de la aplicación.
a. Aplicaciones Móviles
Las aplicaciones móviles son conjuntos de instrucciones lógicas,

procedimientos, reglas, documentación, datos e información asociada a
estas que funcionan específicamente en dispositivos móviles, como por
ejemplo teléfonos inteligentes, televisores inteligentes, tabletas, entre otros.
Una aplicación móvil debe ser desarrollada específicamente para tener
disponibilidad en todo momento, en todo lugar y estar en constante cambio
de acuerdo a las necesidades de los usuarios. [17]
A mi criterio, una aplicación móvil específicamente debe mejorar la

experiencia del usuario. Son muy utilizadas y sobre todo más accesible que
una aplicación web o de escritorio.
Existen 3 tipos de aplicaciones móviles:
o Aplicaciones nativas
o Aplicaciones web
o Aplicaciones híbridas
8
Para el desarrollo de la presente tesis se utilizó el tipo de aplicación nativas
ya que en nuestra encuesta realizada, en su totalidad, los agricultores utilizan
celulares con sistema operativo Android, es decir, entre las ventajas de este
tipo de aplicaciones destacan que aprovechan las funcionalidades del
dispositivo y que pueden funcionar sin conexión a Internet. [18]
A mi criterio las aplicaciones presentan un mayor rendimiento dentro de los

sistemas operativos porque tiene acceso a todos los recursos del teléfono,
permite las notificaciones push, resulta más sencillo seguir una línea de
diseño si es que te guías en una plataforma específica, brinda una
mejor experiencia al usuario, permite desarrollar actualizaciones
constantes para beneficio de las personas y no requieren de una conexión a
internet para funcionar.
2.2.4. Lenguajes de Programación
Según [19] un lenguaje de programación es un idioma artificial diseñado

para expresar procesos que pueden ser llevados a cabo por máquinas como
las computadoras, pueden usarse para crear programas que controlen el
comportamiento físico y lógico de una máquina, para expresar algoritmos
con precisión, o como modo de comunicación humana, está formado por un
conjunto de símbolos y reglas sintácticas y semánticas que definen su
estructura y el significado de sus elementos y expresiones. Al proceso por
el cual se escribe, se prueba, se depura, se compila (de ser necesario) y se
mantiene el código fuente de un programa informático se le llama
programación.
2.2.4.1. PHP
Es un lenguaje de script incrustado dentro del HTML. La

mayor parte de su sintaxis ha sido tomada de C, Java
y Perl con algunas características específicas de sí mismo. La
meta del lenguaje es permitir rápidamente a los
desarrolladores la generación dinámica de páginas [20].
2.2.4.2. JAVA
Java es un lenguaje de desarrollo de propósito general, y

como tal es válido para realizar todo tipo de aplicaciones
profesionales. Una de las características más importantes es
que los programas “ejecutables”, creados por el compilador
de Java, son independientes de la arquitectura. Se ejecutan
indistintamente en una gran variedad de equipos con
diferentes microprocesadores y sistemas operativos [21]
Para la realización del sistema móvil se empleó el lenguaje java, tomando

en cuenta que nuestra aplicación es de tipo nativa, así mismo se utilizó el
lenguaje PHP para nuestra web Service quien hará la conexión entre
nuestra aplicación y el servidor de datos.
9
2.2.5. Manejadores de Base de Datos
Los SMBD (sistemas manejadores de base de datos) se han incrementado

en los últimos años de forma drástica, pues claro está que cada vez más
empresas requieren de software para registrar sus datos, presentan además
una interfaz razonable y comprensible para cualquier usuario, debemos
mencionar que hay distintos gestores de base de datos, entre ellos se
encuentran los de código libre, es decir, pueden ser usados de forma
gratuita, los que requieren una licencia comercial, así como los que se
pueden usar en forma de software de instalación, u otros que su utilizan
desde un navegador predeterminado.
El SMBD es un conjunto de programas que se encargan de manejar la

creación y todos los accesos a las bases de datos. El objetivo principal del
sistema gestor de base de datos es proporcionar una forma de almacenar y
recuperar la información de una base de datos de manera que sea tanto
práctica como eficiente. Se compone de un lenguaje de definición de datos
(DDL: Data Definition Language), de un lenguaje de manipulación de
datos (DML: Data Manipulation Language) y de un lenguaje de consulta
(SQL: Structured Query Language) [22].
2.2.5.1. PostgreSql
PostgreSQL es un sistema de gestión de base de datos relacional

orientada a objetos de software libre, publicado bajo la licencia BSD.
Como otros proyectos open source, el desarrollo de PostgreSQL no
es manejado por una sola compañía, sino que es dirigido por una
comunidad de desarrolladores y organizaciones comerciales las
cuales trabajan en su desarrollo. Dicha comunidad es denominada el
PGDG (PostgreSQL Global Development Group) [23].
Las razones por las cuales se optó la utilización de este manejador de base
de datos son que está desarrollado bajo código abierto, lo podemos
descargar sin ningún tipo de costo, así mismo es multiplataforma es decir
su funcionamiento rinde muy bien ante cualquier sistema operativo, por
otro lado, es un gestor que no presenta problemas en cuanto a los
volúmenes de datos, sea pequeño el proyecto o muy grande el manejador
funcionara sin problemas.
2.2.6. Inteligencia Artificial
Según [24] la inteligencia artificial es la creación de elementos que posean

un comportamiento inteligente y como tal posee aprendizaje, capacidad de
adaptación a entornos cambiantes, creatividad, etc., además, la IA es muy
interdisciplinar, y en ella intervienen disciplinas tan variadas como la
Neurociencia, la Psicología, las Tecnologías de la Información, la Ciencia
Cognitiva, la Física, las Matemáticas, etc.
También existen distintos tipos de percepciones y acciones, pueden ser

obtenidas y producidas, respectivamente por sensores físicos y sensores
mecánicos en máquinas, pulsos eléctricos u ópticos en computadoras, tanto
10
como por entradas y salidas de bits de un software y su entorno software.
Varios ejemplos se encuentran en el área de control de sistemas,
planificación automática, la habilidad de responder a diagnósticos y a
consultas de los consumidores, reconocimiento de escritura, reconocimiento
del habla y reconocimiento de patrones. Los sistemas de IA actualmente son
parte de la rutina en campos como economía, medicina, ingeniería y la
milicia, y se ha usado en gran variedad de aplicaciones de software, juegos
de estrategia como ajedrez de computador y otros videojuegos [25].
2.2.7. Visión Artificial
La visión artificial, también conocida como visión por computador (del

inglés computer visión) o visión técnica, es un subcampo de la inteligencia
artificial. El propósito de la visión artificial es programar un computador
para que "entienda" una escena o las características de una imagen. [26]
Los objetivos típicos de la visión artificial incluyen:
- La detección, segmentación, localización y reconocimiento de ciertos

objetos en imágenes (por ejemplo, rostros).
- Registro de diferentes imágenes de una misma escena u objeto, es decir,

hacer concordar un mismo objeto en diversas imágenes.
- Seguimiento de un objeto en una secuencia de imágenes.
- Mapeo de una escena para generar un modelo tridimensional de la escena;

este modelo podría ser usado por un robot para navegar por la escena.
- Búsqueda de imágenes digitales por su contenido.
Según [26] Un sistema de visión artificial se compone básicamente por:
- Sistema de iluminación: Proporciona unas condiciones de iluminación

uniforme e independiente del entorno, permitiendo o facilitando la
extracción de los rasgos de interés para una determinada aplicación. En
nuestro caso utilizaremos un fondo blanco como escenario para la captura
de imágenes
- Captura de imagen: Conjunto encargado de recoger la característica del

objeto en estudio y proporcionar los datos para su procesado, por medio
de una imagen digital.
- Procesado de imagen: Conjunto de algoritmos y transformaciones

necesarias para realizar el análisis de la imagen y de este modo extraer la
información de las imágenes capturadas, con el fin de obtener los
resultados para los que haya sido diseñado.
11
2.2.7.1. Métodos
a. Procesamiento de Imágenes digitales
Según [27] una imagen digital es una imagen f(x, y) que se ha

discretizado tanto en las coordenadas espaciales como en el brillo.
Una imagen digital puede considerarse como una matriz cuyos
índices de fila y columna identifican un punto de la imagen, y el
valor del correspondiente elemento de la matriz indica el nivel de
gris en ese punto. Los elementos de una distribución digital de este
tipo se denominan elemento de la imagen, o más comúnmente pixels
o pels.
Figura 1: Etapas para el procesamiento de imágenes
Fuente: [27]
A continuación, según [27] detalla cada etapa del procesamiento de

datos:
 Adquisición de la Imagen
Es la primera etapa del proceso, y se refiere a la adquisición de

una imagen digital. Para lo cual se necesita un sensor de
imágenes y la posibilidad de digitalizar la señal producida por
el sensor. Si la salida del sensor (por ejemplo una cámara) no
es digital, puede emplearse un convertidor analógico-digital
para digitalizarla.
 Procesamiento
Es la etapa que le sigue a la adquisición, y su función básica es

la de mejorar la imagen de forma que se aumenten las
posibilidades de éxito en los procesos posteriores.
 Segmentación
Consiste en partir una imagen de entrada en sus partes u objetos

constituyentes. En general, la segmentación autónoma es una
de las labores más difíciles del tratamiento digital de imágenes.
12
 Representación y descripción
De la etapa anterior, se obtienen los datos de pixel en bruto, por

lo cual, en esta nueva etapa, se deben convertir los datos de
alguna manera adecuada para su procesamiento por
computadora. Como primer paso, se debe decidir la
representación de los datos: como un contorno, como una
región completa, o bien una combinación de ambas. El segundo
paso para lograr dicha transformación, es especificar un
método para describir los datos de forma que se resalten los
rasgos de interés. La descripción, también llamada criterio de
selección, consiste en extraer rasgos con alguna información
cuantitativa de interés o que sean fundamentales para
diferenciar una clase de objetos de otra.
 Reconocimiento e interpretación
Esta es la última etapa. El reconocimiento es el proceso que

asigna una etiqueta a un objeto basándose en la información
proporcionada por sus descriptores. La interpretación implica
asignar significado a un conjunto de objetos reconocidos.
b. Algoritmo de Selección ORB
Es un descriptor binario destacado por su velocidad, se encuentra

basado en los algoritmos Rotated BRIEF y oriented FAST una de
sus características principales es la eficiencia del uso de memoria
cuando realiza cálculos y/o almacenamiento. Este algoritmo de
descriptores, compara cadenas que realiza mediante el cálculo de
distancias de Hamming, para el recuento de bits, que se puede
realizar extremadamente rápido con los nuevos procesadores [28].
Figura 2: ORB patron de Matcheo
Fuente: [28]
13
c. Algoritmo de SURF
Según [29] el algoritmo SURF es un fuerte detector de

características, que actualmente es utilizado para reconocimiento
de objetos o reconstrucción en 3D. Está basado en parte en el
descriptor SIFT, pero es varias veces más rápido y mucho más
robusto al momento de comparar diferentes tipos de imágenes.
El algoritmo SURF se encuentra basado en sumas de respuestas

wavelet Haar 2D, haciendo un uso eficiente de las imágenes
integradas. Utiliza una aproximación de un número entero para
poder hacer uso del determinante Hessiano, que sirve para obtener
el detector diferencial de las regiones. Puede ser extremadamente
rápido en una imagen integral [29]
Figura 3: SURF patrón de Matcheo
Fuente: [29]
2.2.8. Redes Neuronales
Las Redes Neuronales Artificiales (RNA) o sistemas conexionistas son

sistemas de procesamiento de la información cuya estructura y
funcionamiento están inspirados en las redes neuronales biológicas.
Consisten en un conjunto de elementos simples de procesamiento llamados
nodos o neuronas conectadas entre sí por conexiones que tienen un valor
numérico modificable llamado peso. [30]
Figura 4: Esquema de una neurona artificial
Fuente: [31]
14
2.2.8.1. Ventajas:
- Aprendizaje: Las RNA tienen la habilidad de aprender mediante una

etapa que se llama etapa de aprendizaje. Esta consiste en proporcionar a la
RNA datos como entrada a su vez que se le indica cuál es la salida
(respuesta) esperada.
- Tiempo real: La estructura de una RNA es paralela, por lo cual si esto es

implementado con computadoras o en dispositivos electrónicos especiales,
se pueden obtener respuestas en tiempo real.
- Auto organización: Una RNA crea su propia representación de la

información en su interior, descargando al usuario de esto.
- Flexibilidad: Una RNA puede manejar cambios no importantes en la

información de entrada, como señales con ruido u otros cambios en la
entrada (por ejemplo, si la información de entrada es la imagen de un
objeto, la respuesta correspondiente no sufre cambios si la imagen cambia
un poco su brillo o el objeto cambia ligeramente).
- Tolerancia a fallos: Debido a que una RNA almacena la información de

forma redundante, ésta puede seguir respondiendo de manera aceptable
aun si se daña parcialmente.
2.2.8.2. Tipos de aprendizaje
- Redes híbridas: son un enfoque mixto en el que se utiliza una función de

mejora para facilitar la convergencia. Un ejemplo de este último tipo son
las redes de base radial.
- Aprendizaje reforzado: se sitúa a medio camino entre el supervisado y el

auto organizado.
- Aprendizaje supervisado: necesitan un conjunto de datos de entrada

previamente clasificado o cuya respuesta objetivo se conoce. Ejemplos de
este tipo de redes son: el perceptrón simple, la red Adaline, el perceptrón
multicapa, red backpropagation, y la memoria asociativa bidireccional.
- Aprendizaje no supervisado o auto organizado: no necesitan de tal

conjunto previo. Ejemplos de este tipo de redes son: las memorias
asociativas, las redes de Hopfield, la máquina de Boltzmann y la máquina
de Cauchy, las redes de aprendizaje competitivo, las redes de Kohonen o
mapas auto organizados y las redes de resonancia adaptativa (ART).
15
III. MATERIALES Y MÉTODOS
3.1. Diseño de investigación
3.1.1 Tipo de investigación
El tipo de Investigación es Tecnológica Aplicada, se usó un aplicativo

móvil para apoyar al agricultor en la identificación de plagas en el
cultivo de Sandía, optimizando el tiempo de búsqueda y
contribuyendo en la identificación exacta de la plaga.
3.1.2 Hipótesis
La creación de un sistema de visión artificial permitirá apoyar en la

identificación de plagas y enfermedades del cultivo de Sandía en el
distrito de Ferreñafe.
3.2 Diseño de contrastación de hipótesis
Para realizar la contratación de hipótesis, en el presente trabajo de

investigación, se utilizará el método de diseño en sucesión o en línea, también
llamado pre-test, post-test, con un solo grupo de prueba, que consta de los
cultivos infectados por plagas o enfermedades.
Tabla 2: Diseño de contrastación de hipótesis

Variable Variable
Aplicación
dependiente dependiente
O2:
O1:
Identificación de
Identificación de X:
plagas y
plagas y Implantación del
enfermedades
enfermedades antes sistema.
del sistema después del sistema
3.3.Población y muestra
3.3.1 Población
La población son todos los agricultores sembradores de

Sandía, haciendo un total de 1239 agricultores.
16
3.3.2 Muestra
Donde:
N = total de población
Z = 1.96 (Si la seguridad es de 95%)
p = proporción esperada (en este caso 5% =0.05)
q = 1-p (en este caso 1-0.05 = 0.95)
d = precisión (en este caso 5%) 0.05
1239 ∗ (3.8416) ∗ (0.05) ∗ (0.95)

𝑛=
(0.05)2 ∗ (1239) + (3.8416) ∗ (0.05) ∗ (0.95)
226.087764
𝑛=
3.279976
𝑛 = 68.92
De los 1239 agricultores sembradores de sandía en la provincia de

Ferreñafe se tomó una muestra de 69 personas para la realización y análisis
respectivo de la presente investigación.
3.4. Criterios de Selección
Para los criterios de selección, el tipo de muestra que se utilizo fue no

probabilística, seleccionando un subconjunto de población, en la que, la
elección de los elementos no depende de la probabilidad sino de las
características de la investigación. De nuestra población total, se tomará una
porción de agricultores sembradores de sandía como una muestra piloto para
desarrollar las respectivas pruebas de la aplicación móvil.
3.5. Operacionalización de variables
3.5.1. Variables
3.5.1.1. Variable independiente
Sistema de visión artificial como identificador de plagas del cultivo

de Sandía.
3.5.1.2. Variable dependiente
Proceso de identificación de plagas del cultivo de Sandia.
17
3.5.2 Indicadores
Tabla 3: Cuadro de indicadores

Objetivo específico Indicador(es) Definición Unidad de Instrumento Definición
conceptual medida operacional
Incrementar el nivel de Nivel de Indica el nivel de
información que se tiene acerca información de los información de los (N° agricultores
de la plaga o enfermedad agricultores con agricultores con Porcentaje Encuesta con información
identificada respecto a la respecto a la útil/total
búsqueda búsqueda encuestados) *
100
Incrementar el nivel de Nivel de Indica el nivel de
información del agroquímico información de los información de los (N° agricultores
que se aplicará según la plaga o agricultores con agricultores con Porcentaje Encuesta con información
enfermedad identificada respecto al respecto al útil/total
agroquímico agroquímico encuestados) *
100
Reducir el tiempo promedio
utilizado por el agricultor para Tiempo promedio Indica el tiempo Suma de tiempos
la identificación de una plaga o para identificar promedio que tarda Minutos / Encuesta por consulta/total
enfermedad en el cultivo de plagas y en identificar consulta de mediciones
sandía enfermedades en el
cultivo de sandía
Reducir costos en
contrataciones de mano de obra Costo de Indica el costo de Suma de costos /
para la identificación de plagas identificación de identificación de Cantidad Encuesta total de consultas
y enfermedades en el cultivo de plagas y plagas en el cultivo
sandía. enfermedades en el de sandía
cultivo de sandía
18
3.6.Métodos y técnicas de recolección de datos
Tabla 4. Métodos y técnicas de recolección de datos.

Elementos de
Técnicas Instrumentos Propósito
la población
Incrementar
nivel de
Ficha de Características
conocimiento
Observación observación de la planta de
con respecto al
(ver anexo N°2) Sandia y plagas
cultivo de
Sandía
Guía de Orientarse con
Comunidad de
entrevista o respecto a las
Agricultores e
Entrevista formato de plagas que
Ingenieros
entrevista atacan al cultivo
Agrícolas
(ver anexo N°1) de sandía
Saber si cuentan
Guía de
con un
encuesta o
Comunidad de Smartphone y
Encuesta formato de
Agricultores su respectivo
encuesta
sistema
(ver anexo N°3)
operativo
3.7. Procedimientos
Para el desarrollo de la tesis se empleó la metodología de visión artificial,

propuesta por Kong y Nilson (2005), la cual utiliza etapas de un sistema de
visión artificial, los cuales son:
1. Representación de la Imagen
Son todos aquellos métodos que se pueden emplear para

capturar y digitalizar imágenes. Fundamentalmente existen 4
formas de captura dependiendo del medio en el que se desee
adquirir la imagen:
- Escáner
- Programas capturadores de pantalla
- Cámara fotográfica
- Tarjetas digitalizadoras de video
Luego de ser capturada la imagen un software se encarga de

“digitalizarla”, es decir registrar la imagen en medios digitales.
En la etapa de representación se hará uso de las imágenes a

color, ya que cada punto contiene un valor, se especifica
mediante algún sistema de representación de color, por
ejemplo, la escala RGB, el sistema Hexadecimal, etc.
19
2. Procesamiento de la Imagen
En la etapa de procesamiento de imagen se realiza la

transformación de una imagen a otra, además se debe facilitar
la extracción de información para un posterior análisis. Ahora
para lograr la extracción de patrones relevantes en una imagen
digital hemos empleado el uso del algoritmo de selección ORB,
que se encarga de recorrer cada elemento de una imagen desde
una determinada posición hasta el final de la lista y el algoritmo
de SURF que obtiene una nueva representación visual de la
imagen, extrae la información detallada y especifica el
contenido.
3. Análisis de la imagen
Consiste en comparar una serie de imágenes y comprobar que

existe una diferencia entre la posición o localización de un
objeto dado, de esta manera se comprueba su similitud con la
imagen almacenada.
3.8. Plan de procesamiento y análisis de datos
Los procesamientos para el análisis de datos han sido obtenidos a través de

la encuesta y entrevista realizada a los agricultores e ingeniero agrónomo es
del tipo estadístico para así poder determinar la situación actual, los
requerimientos del sistema y conocer la satisfacción del agricultor una vez
que se implementó y utilizó el sistema móvil.
3.9. Consideraciones éticas
Al realizar la aplicación móvil se le dieron solo los permisos necesarios en

cuanto al hardware, eso quiere decir el uso de almacenamiento, GPS y
cámara, y ante ello nuestra aplicación pide autorización o compensación
adecuada. Todo esto con la intención de no perjudicar la privacidad de los
usuarios que usen la aplicación móvil. Por otro lado, no nos apropiamos de
la producción intelectual de otras personas. El plagio es un delito. Nunca se
tomó el trabajo de alguien, ya sea código de programación o cualquier otro
producto del esfuerzo de alguien.
La toma de decisiones en cada etapa de la investigación debe estar

encaminada a asegurar tanto la calidad de la investigación como la seguridad
y bienestar de los entes involucrados, además debe cumplir normativas y
aspectos legales pertinentes.
20
3.10. Matriz de Consistencia
PROBLEMA OBJETIVOS HIPÓTESIS VARIABLES

PROBLEMA GENERAL OBJETIVO GENERAL HIPÓTESIS GENERAL VARIABLES DE ESTUDIO
¿De qué manera se puede apoyar en Crear un sistema de visión artificial para La creación de un sistema de visión VARIABLES
la identificación de plagas o apoyar en la identificación de plagas o artificial permitirá apoyar en la INDEPENDIENTE
enfermedades del cultivo de Sandía enfermedades que afectan al cultivo de Sandia identificación de plagas o enfermedades
en el distrito de Ferreñafe? en el distrito de Ferreñafe del cultivo de Sandía en el distrito de Sistema de visión artificial
Ferreñafe. como identificador de plagas
PROBLEMAS ESPECIFICOS OBJETIVOS ESPECIFICOS HIPÓTESIS ESPECÍFICAS del cultivo de Sandía.
- ¿Qué nivel de información - Incrementar el nivel de información que - El nivel de información obtenida
tiene el agricultor con se tiene acerca de la plaga o enfermedad permite al agricultor incrementar el VARIABLES
respecto a una plaga o identificada nivel de información de una plaga o DEPENDIENTE
enfermedad en el cultivo de - Incrementar el nivel de información del enfermedad identificada.
sandía? agroquímico que se aplicará según la - El nivel de información obtenida Proceso de identificación de
- ¿Qué nivel de información plaga o enfermedad identificada permite al agricultor incrementar el plagas del cultivo de Sandia
tiene el agricultor al aplicar - Reducir el tiempo promedio utilizado nivel de información del
un agroquímico? agroquímico.
por el agricultor para la identificación
- ¿En qué tiempo tarda un - El tiempo promedio para la
de una plaga o enfermedad en el cultivo
agricultor en identificar una identificación se redujo
plaga o enfermedad?
de sandía
considerablemente.
- ¿Cuál es el costo promedio - Reducir costos en contrataciones de
- El costo de la planificación de
por contratar a una persona mano de obra para la identificación de
siembra se redujo en cuanto a
especializada? plagas y enfermedades en el cultivo de
contrataciones externas
sandía.
21
IV. RESULTADOS
Los resultados aquí consignados, corresponden a la Metodología propuesta por

Kong y Nilson (2005).
Para el desarrollo de este proyecto se utilizó ciertos algoritmos de visión Artificial,

el cual consiste en reconocer formas, distancias, ángulos, colores y determinar las
dimensiones de la planta de Sandía. Para realizar este procedimiento se ha tomado
en cuenta la forma y tamaño de la hoja. Sin embargo, para efectuar el desarrollo
de este proyecto hemos considerado las etapas del sistema de visión artificial, los
cuales consisten en la captura de la imagen (cámara del dispositivo Android) y
procesamiento de imágenes que son algoritmos para modificar la imagen (obtener
nuevos patrones), para luego ser analizadas. Después de haber realizado una
descripción del desarrollo del programa, se procedió a analizar lo siguiente:
1) Representación de la Imagen: Capturar Imágenes.
2) Procesamiento de la Imagen: Obtener características empleando el

algoritmo de selección ORB y de SURF, luego entrenar la red neuronal
en base a la imagen capturada y datos concernientes. Para la búsqueda
también se emplean dichos algoritmos.
3) Análisis de Imágenes: Con una imagen de referencia comparar y

mostrar resultados
4.1. Requerimientos
4.1.1. Requerimientos Funcionales
Los requisitos funcionales establecen los comportamientos del sistema. Es

descrita como un conjunto de entradas, comportamientos y salidas y que
pueden provenir del negocio, usuarios o expertos.
4.1.2. Requerimientos no Funcionales
Son aquellos requerimientos que no se refieren directamente a las funciones

específicas que proporciona el sistema, sino a las propiedades emergentes
de éste como la fiabilidad, el tiempo de respuesta y la capacidad de
almacenamiento.
 Disponibilidad 24 horas al día y 7 días a la semana.
 El sistema debe garantizar el control en el acceso, utilizando la

autentificación de los usuarios para la administración del mismo.
 El sistema deberá contar como mínimo con 4GB de memoria RAM,

un procesamiento de mínimo 2.5Ghz y un almacenamiento de
500GB disponibles.
22
 El sistema debe contar con facilidades para la identificación de la
localización de los errores durante la etapa de pruebas y de
operación posterior.
 El sistema debe ser rápido y fluido en el momento de procesar y dar

una respuesta en las peticiones realizadas por los usuarios
 Facilidades y controles para permitir el acceso a la información al

personal autorizado a través de Internet, con el propósito de
consultar la información pertinente para cada una de ellos.
 El sistema no debe permitir el cierre de una operación hasta que
 todos sus procesos, subprocesos y tareas relacionados, hayan sido

terminados y cerrados satisfactoriamente.
4.1.3. Requerimientos del Sistema
4.3.3.1 Requerimientos para el Desarrollo
Hardware
o Procesador x86 de 2.33ghz de velocidad o

superior.
o 4gb de Memoria Ram.
o 500gb de Disco Duro.
o Resolución de Pantalla 1024 x 768 o superior.
o Conexión a internet.
Software
o Windows versión 7 o superior, Linux o Mac.
o PostgreSql V.9.3 o superior.
o Netbeans V.8.0.
o Xammp V.5.3.
o Android Studio V.2.3.
23
4.1.3.2. Requerimientos para el Funcionamiento
Hardware
o Procesador Snapdragon 450 1.8GHz o

superior
o Cámara de 8 megapíxeles o superior
o 1gb de Memoria Ram
o 8gb de Almacenamiento
o Conexión a Internet
Software
o Android 4.4 Kitkat
o OpenCv Manager
4.1.3.3 Requerimientos de Hosting
o 20gb de transferencia mensual
o Respaldos diarios, en horario 12am
o 50gb de almacenamiento solido
o Software libre OS Linux, centos 5.0
o Compatibilidad con lenguaje java y php
o Compatibilidad con BD PostgreSQL v.4.5
o Disponibilidad a un 99.8%
o Activación inmediata
o Infraestructura y data center propio
o Call center 24 horas al día
24
4.2. Representación de Imágenes
En este procedimiento necesitamos imágenes de cultivos infectados con

plagas o enfermedades para poder realizar su captura a través del
dispositivo móvil, a continuación, en la figura N° 5 se muestra una hoja de
sandía infectada con una plaga llamada Chupadera así mismo en la imagen
N° 6 se muestra una hoja sandia infectada con una enfermedad
denominada Oídium.
Figura 5: Hoja de sandía con plaga denominada Chupadera
Figura 6: Hoja de Sandía con enfermedad denominada Oídium
Así mismo recomienda que la imagen que se va a capturar este sobre una
base plana de cualquier color siempre y cuando sea un color entero, así
mismo debe tener buen enfoque para su posterior registro o búsqueda.
25
4.2.1 Interfaz de Bienvenida
En el instante que el agricultor o administrador inicia la aplicación
“Plaguitec” se carga automáticamente nuestra interfaz de
bienvenida, esta interfaz está basado en el método “Splash Screen”
Figura 7: Splash Screen
4.2.1.1. Funciones
Desde nuestro “AndroidManifest.xml” llamamos a nuestra interfaz

Splash Screen haciendo uso de la clase “intent-filter” y el tema
“FullScreen”, en este apartado se hace uso del lenguaje de Marcas
Extensible.
<activity
android:name=".SplashScreen"
android:theme="@android:style/Theme.Black.NoTitleBar.
Fullscreen">
<intent-filter>
<action
android:name="android.intent.action.MAIN" />
<category
android:name="android.intent.category.LAUNCHER" />
</intent-filter>
</activity>
26
Es importante mencionar que junto a nuestro Splash Screen se
cargaran los permisos necesarios para que la aplicación pueda
hacer uso del hardware como cámara, ubicación, almacenamiento
interno o externo y el permiso para uso de internet, para ello
debemos instanciarlo en nuestro “AndroidManifest.xml”.

<uses-permission
android:name="android.permission.CAMERA" />

<uses-permission
android:name="android.permission.INTERNET" />

<uses-permission
android:name="android.permission.ACCESS_LOCATION_EXTRA
_COMMANDS" />
4.2.2 Interfaz Principal
Este apartado está divido en dos puntos muy importantes, tal y como
se observa en la imagen N° 8, el primero le permite al usuario final
es decir a los agricultores, loguearse para hacer uso de la aplicación
para ello hemos acogido el api de Google con la intención de que
todo agricultor inicie sesión desde su cuenta de Gmail y no llene
ningún formulario, de esta forma ahorramos tiempo y utilizamos
cuentas reales. El segundo apartado es para el usuario administrador
es decir desde aquí se registrarán plagas y enfermedades,
entrenamiento de la red neuronal, etc.
Figura 8: Interfaz Principal
27
4.2.3 Interfaz de Usuario Administrador
Se realizó la interfaz de inicio de sesión con el fin de que el usuario

administrador pueda acceder a la aplicación, capturar imágenes, entrenar
red neuronal, buscar, visualizar reportes, etc.
Figura 9: Interfaz de inicio de sesión administrador
4.2.4 Interfaz de Menú Administrador
Esta interfaz ayuda a que el usuario administrador sepa todas las funciones
que tiene la aplicación. La opción “Capturar Imágenes” sirve para
almacenar y entrenar la red neuronal, La “opción Historial” de búsqueda
almacenara las veces que los usuarios hayan querido usar la captura de
imágenes, el “Reporte de Usuarios” nos muestra todos los agricultores
registrados a nuestra aplicación, finalmente la opción “Plagas con mayor
búsqueda”, serán las plagas o enfermedades con mayor índice de
búsqueda.
28
Figura 10: Interfaz del Menú Administrador
4.2.5 Interfaz de Captura de Imágenes
Esta interfaz tiene como función capturar imágenes y posteriormente

a registrarlas, así mismo a entrenar la red neuronal además de
capturar y buscar.
Figura 11: Interfaz de Captura de Imágenes
29
4.2.5.1. Función Data
Este botón está programado para descargar y actualizar la data
cuando se haya registrado información de alguna plaga o
enfermedad junto con sus características
4.2.5.2. Función Agregar
Para poder realizar el paso de procesamiento primero debemos
capturar la imagen y mostrarla en una variable para luego
convertirla a un conjunto de bytes utilizando la función “MAT”.
public void CapturarImagen(View w) {

Mat im = last.clone(); // imagen Capturada y
transformada en variable de tipo MAT
Bitmap bmp = Bitmap.createBitmap(im.cols(), im.rows(),
Elaboración Propia
//Extracción de patrones para la imagen de tipo MAT
Bitmap.Config.ARGB_8888);
Utils.matToBitmap(im, bmp); //Conversion
matchDrawArea.setImageBitmap(bmp); // Impresión de
imagen de tipo Bitmap
refScene = new Scene(last); //Almacen de temporal
bmpIntent = bmp; //Almacen
imagen=last; //Almacen
Scene scene = new Scene (last); // Instancia de almacenaje

scenes.add (scene); // Escena agregada a una arreglo de
tipo cadena
escena = String.valueOf (scene);
4.2.5.3. Función Capturar

Esta función está programada solo para poder visualizar la imagen
en una variable ImageView, al tener una captura localizada, esta
función preparará ambos algoritmos para que entren en
funcionamiento.
30
4.2.6 Interfaz de Entrenamiento de la red neuronal
Esta interfaz ayuda al usuario administrador a entrenar la red

neuronal en base a la imagen capturada (Botón Agregar) y las
características pertinentes
Figura 12: Interfaz de Entrenamiento de la red Neuronal
4.2.6.1. Red Neuronal
La red neuronal creada, cómo se pude observar en la figura

12, tiene como entradas los 5 datos que se extrajeron de la
imagen las cuales manejan sus respectivos pesos
expresados en “w” para finalmente obtener una salida “y”.
Figura 13: Interfaz de Entrenamiento de la red Neuronal
Donde:
Xi: Denota el vector de entrada para la iteración i.

Wi: Denota el vector de peso para la iteración i.
Y: Denota la salida para la iteración i.
31
4.2.6.2. Funciones
Después de que se hayan declarado las variables correspondientes,

Android Studio inyectara los datos procesados a la red neuronal, así
mismo la entrenara y escribirá los pesos y bias (características de la
red neuronal una vez entrenada), mostrándonos en consola los datos
inyectados (Figura 13), los cuales serán almacenados en la base de
datos a través de la webservices.
Figura 14: Consola con los datos obtenidos por Android Studio
4.2.7 Web Services
Se ha diseñado una webservices utilizando el lenguaje php, esta

webservices será la herramienta media para almacenar los datos que
se registren desde la aplicación, estos viajaran a través de internet y
serán encapsulados en variables JSON, tal y como se observa en la
figura 14.
Figura 15: Interpretación grafica de cómo funciona la
webservices
32
4.2.8 Almacenamiento de datos extraídos
Trabajado en el lenguaje SQL, para el almacenamiento de las plagas

y enfermedades, así como los pesos y bias de la red neuronal una vez
entrenada, es decir, es la salida del programa Android Studio.
Figura 16: Almacenamiento en la base de datos – columna

red_neuronal_datos_plaga_enfermedad
4.3. Procesamiento la imagen
Para ejecutar un procesamiento de imágenes, primero se debe realizar la

extracción de características relevantes llamados descriptores, para ello
hemos utilizado la función “DetectUtility.analyze” con el método ORB. En
la figura N° 15 se aprecia una hoja de sandía infectada con una plaga, así
mismo dentro de esta hoja se visualizan puntos de colores, esto es un efecto
de que el algoritmo ORB ha extraído las características más relevantes de la
imagen.
Figura 17: Imagen de Sandía con patrones identificados,
algoritmo de selección ORB
33
4.1.1. Funciones
Import numpy as np
import cv2
from matplotlib import pyplot as plt
img = cv2.imread(img,0)
//Iniciar detector STAR

orb = cv2.ORB()
//Encuentra los puntos clave con ORB

kp = orb.detect(img,None)
//calcular los descriptores con ORB

kp, des = orb.compute(img, kp)
// dibujar solo la ubicación de los puntos clave, no el

tamaño y la orientación
img2 = cv2.drawKeypoints(img,kp,color=(0,255,0), flags=0)
plt.imshow(img2),plt.show()
4.4. Análisis la imagen
En este apartado emplearemos un nuevo algoritmo llamado SURF, el cual

relacionara los descriptores obtenidos por ORB para ser comparados con los
que tenemos en nuestra base de datos. Para ello se han utilizado las dos etapas:
1. Detección: En esta etapa utilizamos aproximaciones utilizando imágenes

almacenadas. Utilizando la siguiente función matemática:
Esto significa que la suma de la imagen original sumada sobre el área

seleccionada se obtendrá una imagen integral.
2. Matching Up: En esta etapa se busca los puntos característicos que nos
proporciona el detector de este modo se pueden comparar descriptores entre
pares de imágenes y buscar correspondencias entre ellas.
34
4.4.1. Interfaz de Análisis de Imagen
En esta Interfaz se procede a comparar la imagen capturada con las que

están almacenadas en la base de datos, cada característica extraída por
ORB es representada por un punto de color y cuando es encontrado SURF
hace estos puntos se unan haciendo una homologación.
Figura 18: Planta de Sandía encontrada en la Base de Datos
El proceso de identificación tarda entre 1 a 5 segundos en una velocidad

de internet superior a los 2Mbps, cumpliendo con nuestro objetivo 3.
4.4.1.2. Funciones:
Para hacer posible esta funcionalidad usaremos la función

SceneDetectData
public SceneDetectData compare(Scene frame, boolean isHomogrpahy,

boolean imageOnly) {
SceneDetectData s = new SceneDetectData();
MatOfKeyPoint f_keypoints = frame.keypoints;
Mat f_descriptors = frame.descriptors;

this.preCompute();
frame.preCompute();
MatOfDMatch matches = DetectUtility.match(descriptors,

f_descriptors);
MatOfDMatch filtered =
DetectUtility.filterMatchesByDistance(matches);
s.original_key1 = (int) descriptors.size().height;

s.original_key2 = (int) f_descriptors.size().height;
s.original_matches = (int) matches.size().height;

s.dist_matches = (int) filtered.size().height;
35
4.4.2. Interfaz de Información de Plaga
Esta interfaz tendrá como función informar al agricultor acerca de la plaga

o enfermedad que azota a su cultivo así mismo también brinda el
agroquímico correcto
Figura 19: Interfaz de información para el usuario
En este apartado de nuestra aplicación se informa al agricultor

acerca de la plaga detectada en base a la imagen capturada, de esta
forma el nivel de información acerca de la plaga detectada
culturizará al agricultor con respecto a sus efectos sobre el cultivo,
de la misma forma muestra que agroquímico se puede aplicar,
cumpliendo con el objetivo 4, en el cual reducirá los costos de
contratación de un agente especialista.
36
4.4.3. Interfaz de cómo llegar a la tienda de agroquímicos
Esta interfaz tendrá como función informar al agricultor acerca de la ruta

más óptima y como llegar hacia la tienda que contiene el agroquímico
aplicable.
Figura 20: Interfaz de información de plaga o
enfermedad
En este apartado se le muestra la ruta asistida de cómo llegar desde

la posición en que se encuentra hasta donde está la tienda. Cabe
mencionar que se utilizó la librería de google mapas para su
relación. La guía asistida es en tiempo real.
37
4.5. Demostración de Objetivos
4.5.1. Incrementar el nivel de información que se tiene acerca de la plaga

o enfermedad identificada.
Cuando el agricultor ha detectado una plaga en su cultivo suele

conocer solo sus consecuencias, Este desconoce totalmente sus
causas, como es que nace o reproduce, su tiempo de esporulación,
su tiempo de vida y otras características relevantes.
Figura 21: Interfaz de información de plaga o

enfermedad
Con el sistema de visión artificial el agricultor podrá

incrementar su nivel de información acerca de la plaga o
enfermedad encontrada, esto le ayudará a ganar experiencia
ante otra situación similar, además de tener un concepto
mucho más relevante de la identificación.
38
4.5.2. Incrementar el nivel de información del agroquímico que se
aplicará según la plaga o enfermedad identificada.
Por lo general cuando un agricultor identifica una plaga, recurre a

la tienda de fertilizantes de su agrado o confianza, pregunta por un
agroquímico recomendable para el tipo de plaga o enfermedad que
detectó, en otras palabras, es un tipo de automedicación por decirlo
de esa forma, muchas veces acierta, pero también hay declives al
no ver resultados después de que el agroquímico ha sido
suministrado, teniendo que invertir en otro agroquímico, esto
genera un incrementado de sus costos.
Figura 22: Interfaz de información de agroquímico
Al usar la aplicación de visión artificial también nos brinda

información del agroquímico a aplicar, cabe resaltar que la
aplicación móvil brinda un agroquímico en base a la plaga o
enfermedad detectada, de esta forma orienta más al agricultor a
obtener información de lo que va a aplicar, cumpliendo así con
nuestro objetivo de incrementar el nivel de información del
agroquímico que se aplicará
39
4.5.3. Reducir el tiempo promedio utilizado por el agricultor para de la
identificación de una plaga o enfermedad en el cultivo de sandía.
Para identificar una plaga o enfermedad el agricultor debe recorrer

todo su campo, ojo no hablamos de metros cuadrados por el
contrario un agricultor siembra hectáreas, al emprender la caminata
visualiza cada defecto en el cultivo, esto puede tardar entre 25 a 30
minutos, depende la experiencia del agricultor.
Figura 23: Identificación de plaga denominada: Pulgón
Con la utilización del sistema con visión artificial, solo basta

obtener una o más hojas, capturar la imagen y buscar, el tiempo
para identificar una plaga con una velocidad de 1.693 segundos,
con esta evidencia (ver figura 23) se puede decir que la aplicación
cumple con el objetivo de reducir el tiempo promedio para
identificar una plaga o enfermedad.
40
4.5.4. Reducir costos en contrataciones de mano de obra para la
identificación de plagas y enfermedades en el cultivo de sandía.
Cada agricultor tiene un plan de cultivo establecido, sabe la

cantidad que debe invertir en la preparación del terreno, adquirir
las semillas, riegos periódicamente, abonos y agroquímicos
(depende de las plagas o enfermedades y sus efectos), sin embargo
existen agricultores que gastan mucho en agroquímicos y la razón
es porque no supieron identificar correctamente el patógeno que
afecta al cultivo, es por eso que recurren a un agente especializado
en el tema de plagas, sea un técnico o ingeniero agrónomo, los
cuales ambos cobran por sus servicios. Esto genera que el plan de
cultivo del agricultor se eleve y tenga perdidas económicas.
Figura 24: Plaga Botrytis cinérea identificada
En la figura 24 se observa que la identificación de una plaga

demoro 2.304 segundos y encontró similitud con nuestra base de
datos, es decir funciona tan igual o mejor que una persona experta
en el tema de plagas y enfermedades, cabe destacar que mientras
más información en imágenes y datos tenga nuestra base de datos,
la aplicación identificara sin contratiempos haciendo cumplir el
principio de inteligencia artificial
41
V. DISCUSIÓN
En este capítulo se hará en análisis de los resultados obtenidos por el software de

visión artificial desarrollado.
Nuestro primer resultado el cual es realizar una identificación de una plaga o

enfermedad en cultivo de sandía en base a extracción de patrones de una imagen
digital guarda relación con lo que sostiene Pedro García [6], quien señala que para
lograr un cierto grado de reconocimiento la imagen debe ser escalada por un
algoritmo de reconocimiento de patrones en nuestro caso el algoritmo de ORB y
surf, los cuales extraen las características más relevantes y los remarca con
descriptores. Esto es acorde con lo que se ha realizado en la investigación en
cuanto a la extracción de características en una imagen digital de los cultivos de
sandía infectados por plagas o enfermedades.
Ahora para cumplir con nuestro primer objetivo el cual es incrementar el nivel de
información que se tiene acerca de la plaga o enfermedad identificada primero
tenemos que saber cómo almacenar la información de los patrones obtenidos en
la extracción de imágenes digitales, es por eso que nuestra investigación guarda
relación con [6] quien nos indica que las características obtenidas ayudadas
mediante una red neuronal junto con datos adicionales de las imágenes, serán
almacenados en una base de datos, luego descargados al dispositivo móvil y
consumidos por un servicio web. Esto está acorde con nuestra investigación. Por
el contrario, la presente investigación no guarda relación con lo que menciona [7]
al indicar que el dispositivo móvil solo se usa para obtener imágenes y desplegar
los resultados, y que el procesamiento y almacenamiento se hacen en los
servidores. En conclusión, la búsqueda y obtención de información se realiza a
nivel de dispositivo móvil, esto hará que nuestro servidor no sufra saturaciones.
Para cumplir con nuestro tercer objetivo el cual es reducir el tiempo promedio
utilizado por el agricultor para la identificación de una plaga o enfermedad en el
cultivo de sandía. Nuestra investigación guarda relación con lo que menciona [10]
quien señala que para un ahorro de recursos y tiempo es necesario la utilización
del algoritmo de selección ORB que tiene como prioridad recorrer toda la imagen
digital y generar un ordenamiento, almacenando la información en un vector, la
desventaja es que recorre la imagen una sola vez y solo selecciona los puntos
mostrándolos en pantalla, aunque el algoritmo fue utilizado en esta presente
investigación se hace mención a su limitante, sin embargo se hizo la utilización
del algoritmo SURF que no solo vuelve a recorrer los datos ordenados por el
algoritmo de selección ORB sino los relaciona con la imagen capturada, este
proceso demora segundos, es por eso que su utilización está acorde con lo que en
la presente investigación.
Para el cumplimiento del objetivo 4 el cual es reducir costos en contrataciones de

mano de obra para la identificación de plagas y enfermedades en el cultivo de
sandía, se utilizó la teoría de [10] quien señala que todo sistema de automatización
de procesos que asegure la calidad de un producto o servicio siempre reducirá el
tiempo y esfuerzos, además destaca la utilidad para empresas industriales o de
servicios. El desarrollo de un sistema que brinde o apoye soluciones inmediatas
como el sistema de visión artificial asegurará calidad y reducirá costos en procesos
42
y mano de obra, de esta forma podemos deducir que se está de acuerdo con la
presenta investigación.
Finalmente, cabe resaltar que, según los datos obtenidos, se considera verdadera
la hipótesis propuesta al inicio del desarrollo de la tesis: “La creación de un
sistema de visión artificial permitirá apoyar en la identificación de plagas o
enfermedades del cultivo de Sandía en el distrito de Ferreñafe.”. Dado que se ha
logrado mejorar notablemente los objetivos propuestos.
43
VI. CONCLUSIONES Y RECOMENDACIONES
6.1. CONCLUSIONES
A través las pruebas realizadas durante el desarrollo de este trabajo se concluye

que:
- Mediante la implementación del sistema de visión artificial se demostró el

incremento de porcentaje de agricultores que ahora cuenta con un nivel de
información más alta de plagas y enfermedades del cultivo de sandía. Después del
estudio se llegó a la conclusión que ahora el 81.2% afirma que la información
proporcionada ha logrado aumentar su nivel de información y satisface sus
expectativas gracias a que esta información es sintetizada y concisa. A diferencia
de antes de la implementación del software donde solo el 26.5% de agricultores
comentaron que contaban con un nivel información básica e intermedia.
Claramente se nota que el nivel de información ha aumentado considerablemente.
- Mediante la implementación del sistema de visión artificial se demostró el

incremento de porcentaje de agricultores que ahora cuenta con un nivel de
información más alta en cuanto a los agroquímicos recomendados. Después del
estudio se llegó a la conclusión que ahora el 82.6% dice que la información
proporcionada ha logrado aumentar su nivel de información. A diferencia de antes
de la implementación del software donde solo el 5.8% de agricultores comentaron
que contaban con un nivel información intermedia. Nuevamente se puede concluir
que el sistema cumple con lo propuesto.
- Mediante la implementación del sistema de visión artificial como identificador de

plagas y enfermedades se demostró la disminución del tiempo promedio que le
toma a un agricultor realizar el proceso de identificación. Después de haber hecho
las pruebas pertinentes se llegó a la conclusión de que la aplicación móvil ayudó a
que el agricultor no le tome mucho tiempo averiguar sobre la información
necesaria de plagas, enfermedades y agroquímicos demostrando que con la
aplicación lo puede hacer en 4 segundos aproximadamente. Esto se debe a que el
software a centralizado la información básica y necesaria (fotos de plagas,
enfermedades, agroquímicos y un mapa de rutas de cómo debe llegar a la tienda
de agroquímicos) en una sola aplicación.
- Los costos del proceso de identificación de plagas y enfermedades con el uso del
sistema de visión artificial pueden disminuir en un 100% para una población de
agricultores del 43.48%, quienes según el anexo 4 deciden contratar los servicios
de un experto para identificar plagas y enfermedades, el costo de este servicio es
de 120 soles (ver anexo 7) pero con nuestro sistema de visión artificial esto
cambiaria ya que les permitiría a los agricultores sembradores de sandía tener una
herramienta complementaria que realice el mismo proceso que hace un experto,
esto permite que el presupuesto del agricultor no aumente, concluyendo que el
sistema es rentable.
44
6.2. RECOMENDACIONES
En este apartado se exponen algunas recomendaciones que surgieron de la

investigación realizada y que pueden ser de utilidad para investigaciones futuras
- El sistema de visión artificial está orientado a detectar plagas o enfermedades en

el cultivo de sandía por lo que se recomienda que se incrementen más cultivos
asociados a este tipo de investigación según las necesidades de donde se utilizará,
con la finalidad de apoyar a los agricultores de diferentes localidades a tener una
herramienta complementaria que los apoye en la identificación de plagas o
enfermedades.
- Si bien es cierto las plagas o enfermedades registradas en nuestra base de datos son
del cultivo de sandía de tipo Hardimora o sandía negra se recomienda incrementar
más tipos, con la finalidad de apoyar a los agricultores de diferentes puntos del
país y del mundo.
- Se recomienda que el sistema de visión artificial y la base de datos estén siempre

actualizados y la información que se brinda sea útil y personalizada con el fin de
que cualquier usuario que posea un Smartphone pueda utilizar la aplicación sin
complicaciones.
- Se recomienda agregar más funcionalidades con el fin de que el usuario sienta que
la aplicación realmente funciona como una guía. Por ejemplo, generar un plan de
cultivo, apoyando desde la preparación de la tierra, de qué forma abastecer de agua
los cultivos, como abonar y fumigar, hasta los pasos para una buena cosecha.
45
VII. REFERENCIAS BIBLIOGRÁFICAS
[1] G. E. C. A, Alternativas Biorracionales Para El Control De Paratrioza En El Laboratorio,

Mexico, 2010.
[2] A. Abad, Diseño E Implementación De Un Sistema De Seguimiento De Parámetros

Ambientales En Plantaciones De Café, Piura, Perú, 2016.
[3] J. Diaz, Interviewee, Entrevista referente a las plagas que atacan al cultivo de sandía.
[Entrevista]. 27 mayo 2017.
[4] O. Gugole, Manejo Integrado De La Plaga Tetranychus Urticae (Acari: Tetranychidae) En

Cultivos De Frutilla Del Cinturón Hortícola Platense, La Plata, Argentina, 2012.
[5] P. P. Garcia Garcia, Reconocimiento de imagenes utilizando redes neuronales artificiales,

Madrid, España, 2013.
[6] S. Valenzuela Perez, Identificación de especies vegetales utilizando dispostivos móviles,

Santiago, Chile, 2013.
[7] N. L. Fernández García, Contribución al reconocimiento de objetos 2d mediante

detección de bordes en imágenes a color, Cordova, España, 2002.
[8] M. B. Salazar Marquez, Desarrollo de un algoritmo para la localización automática de

placas vehiculares peruanas usando técnicas de procesamiento de imágenes, Lima, Perú,
2014.
[9] J. M. Porras de la Cruz, Sistema de Clasificación basado en visión por computador, Lima,
Perú, 2010.
[10] M. V. Palacin Silva, Visión artificial aplicada al monitoreo automático del proceso de
cloración para mejorar la calidad del agu, Chiclayo, Perú, 2011.
[11] S. V. Monsalva Delgado, Visión artificial aplicado a la ayuda del diagnóstico mediante el
procesamiento de radiografías en el Hospital Nacional Almanzor Aguinaga Asenjo,
Chiclayo, Perú, 2009.
[12] J. M. G. Recinos, Rendimiento de híbridos de sandía tipo personal; valle del Motagua,
Zacapa., Zacapa, 2015.
[13] INEI, «Reporte Estadistico Anual,» Perú, 2015.
[14] S. J. Sarandón, La Agroecología: Su rol en el logro de una agricultura, La Plata, Argentina,

2011.
[15] D. d. C. d. l. C. e. I.A, Sistemas de Información., Granada, España, 2010.
[16] J. Bravo Castro, Clasificación de Software. Informe, Bogota, Colombia, 2011.
[17] R. V. G. Mauricio, Seguridad en aplicaciones móviles. Material Didactico, Colombia, 2013.
46
[18] Solbyte, «Solbyte,» 2009. [En línea]. Available:
https://www.solbyte.com/blog/2014/07/21/tipos-de-aplicaciones-moviles-nativas-webs-
hibridas/. [Último acceso: 24 mayo 2018].
[19] «EcuRed,» 14 12 2010. [En línea]. Available:

http://www.ecured.cu/Lenguaje_de_Programaci%C3%B3n. [Último acceso: 07 06 2018].
[20] C. V. D. H. S., «Maestros del web,» [En línea]. Available:

http://www.maestrosdelweb.com/phpintro/.
[21] OpenStep, El lenguaje de Programación Java, Barcelona, España, 2013.
[22] M. Diaz, G. Padilla y A. Armas, «Sistemas Manejadores de Base de Datos,» Mexico, 2010.
[23] R. G. Perez, Introducción al Sistema de Gestión de Base, Cuba, 2010.
[24] J. J. Romero, C. Dafonte, A. Gómez y F. J. Penosal, INTELIGENCIA ARTIFICIAL Y

COMPUTACIÓN AVANZADA, Mexico, 2007.
[25] S. Larios, «Prezi,» 12 11 2013. [En línea]. Available: https://prezi.com/pyiaqyp6fw1/en-

ciencias-de-la-computacion-se-denomina-inteligencia-artif/. [Último acceso: 07 06 2018].
[26] R. Jorge, Introducción a los sistemas de visión artificial, Madrid, España, 2011.
[27] M. S. Correa y F. Chichizola, Diseño de Sistemas de Reconocimiento de Rostros, 2012.
[28] A. Marin Poatoni, Desarrollo de prototipo de aplicacion (APP), para dispositivos móviles
basados en el sistemas IOS, para el reconocimiento de objetos"Hojas" en imagenes,
Motecillo, Mexico, 2014.
[29] H. T. T. ,. L. V. G. Bay, «Speeded-Up Robust,» EE.UU, 2006.
[30] J. J. M. MORENO, Redes Neuronales Artificiales, Palma de Mallorca, España, 2002.
[31] E. Pablo, Las Redes Neuronales Supervisadas, 2005.
[32] B. Shrestha, «Classification of plants using images of their leaves,» Computer Science,
Estados Unidos, 2010.
[33] C. V. Sanz, Razonamiento evidencial dinámico. Un método de clasificación aplicado al

análisis de imágenes hiperespectrales, La Plata, Argentina, 2002.
[34] O. M. d. l. Salud, «El Universo,» Diarios Asociados de Latinoamerica, 2015. [En línea].
Available:
https://www.eluniverso.com/noticias/2015/05/10/nota/4853501/agricultores-riesgo-
uso-agroquimicos. [Último acceso: 05 06 2018].
[35] A. M. PATONI, «DESARROLLO DE PROTOTIPO DE APLICACIÓN (APP), PARA,» Mexico,

2014.
[36] P. G. A. A. Diaz Marcos, «Sistemas Manejadores de Base de Datos,» Mexico, 2010.
47
VIII. ANEXOS
ANEXO N° 1
Facultad de Ingeniería
Escuela de Ingeniería de Sistemas y
Computación
ENTREVISTA AL INGENIERO AGRONOMO
Nombre: Jaime Díaz

Cargo: Ingeniero Agrónomo
Fecha: 27/05/2017
1. ¿Qué cultivos atiende Agroklinge con sus agroquímicos cuando hay

presencia de plagas?
Agroklinge atiende a todos los cultivos existentes en el Perú, si nos centramos en

el norte del País distribuimos insecticidas, fungicidas, fungicida biológico,
herbicidas, acondicionador para cultivos como el arroz, caña de azúcar, maíz, etc.
2. ¿Entre los cultivos que Agroklinge atiende se encuentra la Sandía?
Si claro, la sandía es un tipo de planta cucurbitácea, es decir, la sandía sufre casi

los mismos problemas en plagas que el melón, y por lo cual también tenemos
adecuados agroquímicos que combatan a las diferentes plagas.
3. Usted como ingeniero sabe que en el Perú también existe la venta

indiscriminada de agroquímicos letales para el ecosistema, la persona que lo
aplica y por consiguiente a los consumidores, ¿Sabe si existe un agroquímico
letal que se venda en el Perú?
Actualmente existen empresas clandestinas que hacen este tipo de agroquímicos,

también se utilizan etiquetas de agroquímicos originales para hacer pasar como
original su productos, se empezó a decir que el ENGEO, un potente agroquímico
que en algunas tiendas lo vendían mucho más barato, sin duda el veneno cumplía
su función, pero se vieron casos de intoxicación en personas fumigadoras y
cambios notables en las plantas, como poco crecimiento y pocos frutos, pero no
supimos si hubieron muertes relacionadas al consumir el fruto con el agroquímico
usado.
48
4. ¿En los cultivos de Sandia que plagas conoce?
Bueno existen una variedad de plagas en la sandía, las plagas varían en cuanto al
lugar donde se siembra, por ejemplo las plagas que se producen en el norte rara
vez las puedes visualizar en el sur, varia también por el clima, el tipo de terreno,
etc. entre las plagas más comunes esta la peste ceniza que afecta directamente a la
hoja, gusanos, pulgones, arañita bimaculada, y muchos más.
5. Sabemos que el agricultor utiliza su percepción visual para la identificación

de plagas y enfermedades, entonces deducimos ¿El agricultor suele
confundirse en la identificación de plagas y enfermedades?
Claro, muchos agricultores al identificar una plaga se basan en las consecuencias

que el patógena causa en la planta, por ejemplo, en la Mosca Minadora a simple
vista deja las mismas v consecuencias que la enfermedad Oídio, es decir una
manchas o líneas blancas. Muchos agricultores vienen por un agroquímico para
dicha enfermedad y luego se quejan que no hizo efecto o simplemente termino
matando algunos cultivos cuando en realidad no era una enfermedad sino una
plaga.
49
ANEXO N° 2
Tabla 5: plantas cucúrbitas
Fuente: INEI, 2015
50
ANEXO N° 3
51
ANEXO N° 4
RESPUESTAS DE LA ENCUESTA ANTES DE LA IMPLEMENTACIÓN DEL
SISTEMA DE VISIÓN ARTFICIAL
Figura 25: Respuesta 1, encuesta Anexo 3
52
53
54
55
ANEXO N° 5
Tabla 6: Principales plagas de la Sandía en estudio
ENFERMEDA DESCRIPCION AGROQUÍMI TIPO

D O PLAGA CO
Es una Enfermedad que aparece
CHUPADERA entre los 10 a 15 días de BENOMIL O
(1) sembrado, Ocasiona fallas en la CAPTAN ENFERMEDA
Germinación, produce fallas en el D
cuello de la plánula,
estrangulamiento y muerte
Es un insecto (plaga) que succiona
Cigarrita la savia del envés de las hojas. Al ACEFATO O PLAGA
(2) inicio de se observa amarillento, CLORPIRIFIL
luego encrespamiento OS
Es un patógeno que depende de
las condiciones
MILDIU climáticas. Infecta las
(3) hojas provocando manchas de MOVIMAR PLAGA
color verde claro que luego tornan
a amarillas. Estas manchas son de
color violáceo en el envés de la
hoja, que queda finalmente como
acartonada.
Caracterizado por un vello
blanquecino que lo diferencia de
OIDIO otras plagas. Su aspecto es como
(4) una ceniza que va secando las QUINTECT PLAGA
hojas. También afecta a tallos y
peciolos e incluso frutos en
ataques muy fuertes. En este caso,
las malas hierbas son sus aliadas
para crecer y expandirse
Chupan la savia en el envés de las
ARAÑITA hojas causando un punteado
ROJA amarillento y deformación. DIFOCOL PLAGA
Forman telas de seda cuando hay
poblaciones altas.
Son larvas que realizan
GUSANO comeduras irregulares en las
MEDIDOR hojas, se encuentran situados en CARBARIL PLAGA
las nervaduras o por los bordes
56
ANEXO N° 6
Figura 35: Base de datos
57
ANEXO N° 7
Cronograma de Evaluación
Item Descripción / Fase Duración/Días Comienzo Fin

1 Definición y elaboración del cronograma de actividades del informe de tesis 2 08/04/2018 10/04/2018
2 Aprobación del cronograma de actividades del informe de tesis 0 12/04/2018 12/04/2018
3 Presentación del funcionamiento del producto (software) 2 13/04/2018 15/04/2018
4 Reajuste y conformidad del producto acreditable al 100% 2 20/04/2018 22/04/2018
Inicio del desarrollo de informe final de tesis
5 Desarrollo: CAPITULO II - MARCO TEORICO
5.1 Elaboración de los antecendes del problema de tesis 4 23/04/2018 27/04/2018

5.2 Presentación de los antencedentes del problema de tesis. 0 28/04/2018 28/04/2018
Reajuste de los antecedentes del problema según correcciones. 1 29/04/2018 30/04/2018
5.3 Elaboración de las bases teoricas que fundamentan el desarrollo de la tesis 4 30/04/2018 04/05/2018
5.4 Presentación de las bases teoricas que fundamentan el desarrollo de la tesis 0 05/05/2018 05/05/2018
Reajuste de las bases teoricas y cientificas según correciones 3 07/05/2018 10/05/2018
AVANCE AL 20% 18 11/05/2018 29/05/2018
6 Desarrollo: CAPITULO III - MATERIALES Y METODOS
6.1 Elaboración de los materiales y métodos empleados para el desarrollo de tesis. 5 11/05/2018 16/05/2018
6.2 Presentación de los materiales y métodos empleados para el desarrollo de tesis. 0 17/05/2018 17/05/2018
Reajuste de los materiales y metodos según correciones. 1 18/05/2018 19/05/2018
7 Desarrollo: CAPITULO IV - RESULTADOS
7.1 Elaboración de los resultados obtenidos a travez del desarrollo de tesis. 5 20/05/2018 25/05/2018
7.2 Presentación de los resultados obtenidos a travez del desarrollo de tesis. 0 26/05/2018 26/05/2018
Reajuste de los resultados según correciones. 1 27/05/2018 28/05/2018
8 PRESENTACION PARCIAL DEL AVANCE DEL INFORME FINAL DE TESIS AL 50% 2 28/05/2018 30/05/2018
AVANCE AL 50% 14 02/06/2018 19/06/2018
9 Desarrollo: CAPITULO V - DISCUSIÓN
9.1 Elaboración de la discusión evidenciando el cumplimiento de los objetivos. 1 03/06/2018 04/06/2018
9.2 Presentación de la discusión evidenciando el cumplimiento de los objetivos. 0 04/06/2018 04/06/2018
Reajuste de la discusión según correciones. 1 05/06/2018 06/06/2018
10 Desarrollo: CAPITULO VI - CONCLUSIONES Y RECOMENDACIONES
10.1 Elaboración y presentación de las conclusiones y recomendaciones. 1 07/06/2018 08/06/2018

Reajuste de las conclusiones según correciones 0 09/06/2018 09/06/2018
11 Desarrollo: CAPITULOS VII / VIII - REFERENCIAS BIBLIOGRAFICAS / ANEXOS
11.1 Presentación de las referencias bibliograficas 1 10/06/2018 11/06/2018

11.2 Elaboración de los anexos del desarrollo de tesis 2 12/06/2018 14/06/2018
11.3 Presentación de los anexos del desarrollo de tesis 0 15/06/2018 15/06/2018
Reajuste de los anexos según correciones 1 16/06/2018 17/06/2018
AVANCE AL 80% 7
11.4 Elaboración de manuales de usuario del funcionamiento del sofware 5 17/06/2018 22/06/2018
11.5 Presentación del manual de usuario 0 22/06/2018 22/06/2018
Reajuste del manual de usuario según correciones 1 23/06/2018 24/06/2018
12 Desarrollo: CAPITULO I - INTRODUCCION
12.1 Elaboración de la introducción de tesis 1 23/06/2018 24/06/2018
12.2 Presentación de la introducción de tesis 1 25/06/2018 26/06/2018
Reajuste de la introducción según correciones 2 27/06/2018 29/06/2018
13 Elaboración y presentación de la dedicatoria, agredecimiento, índice y resumen. 0 29/06/2018 29/06/2018
Reajuste de la dedicatoria, agredecimiento, índice y resumen según correciones 0 30/06/2018 30/06/2018
14 PRESENTACION FINAL DEL INFORME FINAL DE TESIS 0 14/07/2018 14/07/2018
SUSTENTACION FINAL 04/07/2018 04/07/2018
58
ANEXO N° 8
Figura 36: Proforma análisis agrónomo
59
ANEXO N° 9
60
ANEXO N° 10
RESPUESTAS DE LA ENCUESTA DESPUES DE LA IMPLMENTACIÓN DEL
SISTEMA DE VISIÓN ARTIFICIAL
61
62
63

TL PiscoyaFerreñanJesus

Cargado por

Copyright:

Formatos disponibles

TL PiscoyaFerreñanJesus

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

TL PiscoyaFerreñanJesus

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD CATÓLICA SANTO TORIBIO DE MOGROVEJO

SISTEMA DE VISIÓN ARTIFICIAL PARA APOYAR EN LA

TESIS PARA OPTAR EL TÍTULO DE

INGENIERO DE SISTEMAS Y COMPUTACIÓN

II. MARCO TEÓRICO ........................................................................................................3

2.2.4. LENGUAJES DE PROGRAMACIÓN ...........................................................................9

B. ALGORITMO DE SELECCIÓN ORB .............................................................................13

2.2.8. REDES NEURONALES.............................................................................................14

III. MATERIALES Y MÉTODOS ......................................................................................16

3.1. DISEÑO DE INVESTIGACIÓN ............................................................................... 16

IV. RESULTADOS ..............................................................................................................22

4.1. REQUERIMIENTOS .......................................................................................... 22

4.5.2. INCREMENTAR EL NIVEL DE INFORMACIÓN DEL AGROQUÍMICO QUE SE

4.5.4. REDUCIR COSTOS EN CONTRATACIONES DE MANO DE OBRA PARA LA

VI. CONCLUSIONES Y RECOMENDACIONES............................................................44

6.2. RECOMENDACIONES ................................................................................................45

VII. REFERENCIAS BIBLIOGRÁFICAS .........................................................................46

VIII. ANEXOS .........................................................................................................................48

TABLA 1 PLAGAS Y ENFERMEDADES MÁS COMUNES EN EL CULTIVO DE SANDÍA ......... 8

TABLA 2 DISEÑO DE CONTRASTACIÓN DE HIPÓTESIS ................................................... 17

TABLA 3 INDICADORES .................................................................................................. 19

TABLA 4 MÉTODOS Y TÉCNICAS DE RECOLECCIÓN DE DATOS ..................................... 20

TABLA 5 PLANTAS CUCÚRBITAS..................................................................................... 48

TABLA 6 PRINCIPALES PLAGAS DE LA SANDÍA EN ESTUDIO.......................................... 54

FIGURA 1: ETAPAS PARA EL PROCESAMIENTO DE IMÁGENES ....................................... 13

FIGURA 2: ORB PATRON DE MATCHEO ........................................................................ 14

FIGURA 3: SURF PATRÓN DE MATCHEO ....................................................................... 15

FIGURA 4: ESQUEMA DE UNA NEURONA ARTIFICIAL ..................................................... 15

FIGURA 5: IMAGEN CON PLAGA DENOMINA: CHUPADERA ............................................ 25

FIGURA 6: HOJA DE SANDÍA CON ENFERMEDAD DENOMINADA OÍDIUM……...............25

FIGURA 8: INTERFAZ PRINCIPAL .................................................................................... 27

FIGURA 9: INTERFAZ DE USUARIO ADMINISTRADOR ..................................................... 28

FIGURA 10: INTERFAZ DEL MENU ADMINISTRADOR ...................................................... 28

FIGURA 11: INTERFAZ DE CAPTURA DE IMÁGENES....................................................... 29

FIGURA 12: INTERFAZ DE ENTRENAMIENTO DE LA RED NEURONAL............................ 30

FIGURA 13: PERCEPTRON SIMPLE ............................................................................. 30

FIGURA 15: INTERPRETACIÓN GRAFICA DE CÓMO FUNCIONA LA WEBSERVICES ........ 31

FIGURA 16: ALMACENAMIENTO EN LA BASE DE DATOS – COLUMNA

FIGURA 17: IMAGEN DE SANDÍA CON PATRONES IDENTIFICADOS, ALGORITMO DE

FIGURA 18: PLANTA DE SANDÍA ENCONTRADA EN LA BASE DE DATOS ........................ 34

FIGURA 19: INTERFAZ DE INFORMACIÓN PARA EL USUARIO ........................................ 35

FIGURA 20: INTERFAZ DE INFORMACIÓN DE PLAGA O ENFERMEDAD........................... 36

FIGURA 21: INTERFAZ DE INFORMACIÓN DE AGROQUÍMICO ........................................ 37

FIGURA 22: IDENTIFICACIÓN DE PLAGA DENOMINADA: PULGÓN................................. 38

FIGURA 23: PLAGA BOTRYTIS CINÉREA IDENTIFICADA ................................................ 39

FIGURA 24: RESPUESTA 1, ENCUESTA ANEXO 3 ............................................................ 50

FIGURA 25: RESPUESTA 2, ENCUESTA ANEXO 3 ............................................................ 50

FIGURA 26: RESPUESTA 3, ENCUESTA ANEXO 3 ............................................................ 51

FIGURA 27: RESPUESTA 4, ENCUESTA ANEXO 3 ............................................................ 51

FIGURA 28: RESPUESTA 5, ENCUESTA ANEXO 3 ............................................................ 51

FIGURA 29: RESPUESTA 6, ENCUESTA ANEXO 3 ............................................................ 52

FIGURA 30: RESPUESTA 7, ENCUESTA ANEXO 3 ............................................................ 52

FIGURA 31: RESPUESTA 8, ENCUESTA ANEXO 3 ............................................................ 52

FIGURA 32: RESPUESTA 9, ENCUESTA ANEXO 3 ............................................................ 53

FIGURA 34: BASE DE DATOS ........................................................................................... 55

FIGURA 35: PROFORMA ANÁLISIS AGRÓNOMO ............................................................. 57

FIGURA 36: RESPUESTA 1, ENCUESTA ANEXO 9 ............................................................ 59

FIGURA 37: RESPUESTA 2, ENCUESTA ANEXO 9 ............................................................ 59

FIGURA 38: RESPUESTA 3, ENCUESTA ANEXO 9 ............................................................ 59