| dc.contributor.advisor |
Realpe, Miguel, , Director |
|
| dc.contributor.advisor |
Quito Ávila, Diego, , Director |
|
| dc.contributor.author |
Ajo Flores, Ruth Elizabeth |
|
| dc.contributor.author |
Eras Zamora, Edwin Andrew |
|
| dc.contributor.author |
García Baño, Xavier Patricio |
|
| dc.creator |
ESPOL |
|
| dc.date.accessioned |
2023-10-13T16:19:27Z |
|
| dc.date.available |
2023-10-13T16:19:27Z |
|
| dc.date.issued |
2023 |
|
| dc.identifier.citation |
Ajo Flores, R. E., Eras Zamora, E. A. y García Baño, X. P. (2023). Detección temprana de Papaya ringspot virus (PRSV) en cultivos de papaya (Carica papaya) usando imágenes multiespectrales y aprendizaje profundo relacionado con técnicas moleculares. [Proyecto integrador]. ESPOL. FCV . |
|
| dc.identifier.uri |
http://www.dspace.espol.edu.ec/handle/123456789/58408 |
|
| dc.description |
El virus del Síndrome de la Mancha Anular del Papayo (PRSV, por sus siglas en inglés) ha tenido un impacto significativo en la industria papayera de Ecuador. Esta enfermedad afecta principalmente a las plantas de papaya, causando deformidades en las hojas, reducción en la producción de frutas y, en casos graves, puede resultar en la muerte de las plantas. La falta de detección temprana del virus ha tenido consecuencias devastadoras para los agricultores y la industria agrícola, manifestándose en pérdidas de rendimiento, calidad inferior de los productos, aumento de costos y disminución de los ingresos. Como respuesta a esto, se ha introducido un nuevo método de detección temprana del virus que combina técnicas moleculares (RT-PCR) con modelos de aprendizaje profundo para identificar las plantas enfermas afectadas por el virus. Este proyecto se llevó a cabo mediante el uso de un dron equipado con una cámara multiespectral, obteniendo un nivel de precisión del 91.3% en el reconocimiento de plantas de papaya utilizando el modelo YOLOv8. En lo que respecta a la identificación del virus, se emplearon los resultados de las pruebas RT-PCR en conjunto con las imágenes multiespectrales para desarrollar un modelo compacto de transformador convolucional, alcanzando una precisión del 85.92%. En conclusión, la combinación de la inteligencia artificial y la agricultura ha demostrado ser de gran utilidad para enfrentar los desafíos relacionados con los virus en diversos campos. Esto ha permitido lograr una detección rápida y precisa del virus, destacando la importancia de esta colaboración para abordar eficazmente problemas en la industria agrícola. |
|
| dc.format |
application/pdf |
|
| dc.format.extent |
84 páginas |
|
| dc.language.iso |
spa |
|
| dc.publisher |
ESPOL |
|
| dc.rights |
openAccess |
|
| dc.subject |
Agricultura de precisión |
|
| dc.subject |
Compacto de transformador convolucional |
|
| dc.subject |
Imágenes multiespectrales |
|
| dc.subject |
Virus PSRV |
|
| dc.subject |
Papaya |
|
| dc.title |
Detección temprana de Papaya ringspot virus (PRSV) en cultivos de papaya (Carica papaya) usando imágenes multiespectrales y aprendizaje profundo relacionado con técnicas moleculares |
|
| dc.type |
Ingeniera en Agrícola y Biológica (Ruth Elizabeth Ajo Flores) |
|
| dc.identifier.codigoespol |
T-113738 |
|
| dc.description.city |
Guayaquil |
|
| dc.description.degree |
Escuela Superior Politécnica del Litoral |
|
| dc.identifier.codigoproyectointegrador |
VIDA 295 |
|
| dc.description.abstractenglish |
The Papaya Ring Spot Virus (PRSV) has had a significant impact on Ecuador's papaya industry. This disease primarily affects papaya plants, causing leaf deformities, reduced fruit production, and, in severe cases, plant death. The lack of early virus detection has had devastating consequences for farmers and the agricultural industry, resulting in yield losses, lower product quality, increased costs, and decreased income. In response to this, a new early virus detection method has been introduced, combining molecular techniques (RT-PCR) with deep learning models to identify virus-infected plants. This project was carried out using a drone equipped with a multispectral camera, achieving an accuracy level of 91.3% in papaya plant recognition using the YOLOv8 model. Regarding virus identification, the RT-PCR test results were combined with multispectral images to develop a compact convolutional transformer model, achieving an accuracy of 85.92%. In conclusion, the combination of artificial intelligence and agriculture has proven to be highly useful in addressing virus-related challenges in various fields. This has enabled rapid and accurate virus detection, highlighting the importance of this collaboration in effectively addressing issues in the agricultural industry. |
|