Prototipo de sistema de red neuronal Backpropagation cliente/servidor TCP/IP aplicado a fotomonitoreo

Vista sencilla de ítem
dc.contributor.advisorPalominos González, Néstor
dc.contributor.authorSalinas Estay, José Carlos Ignacio
dc.contributor.editorFacultad de Ingeniería
dc.contributor.editorEscuela de Industrias
dc.date.accessioned2019-06-27T20:50:09Z
dc.date.available2019-06-27T20:50:09Z
dc.date.issued2018
dc.descriptionTesis (Ingeniero en Automatización y Robótica)es_ES
dc.description.abstractLos algoritmos de estimación de datos usando machine learning cada vez son más precisos, sobre todo con el incremento de la capacidad de computo de las nuevas tecnologías, sin embargo, es común que se trabaje en una sola máquina, en vez de aprovechar el potencial de una red de computadores. En la actualidad los sistemas de control agrícola dependen mucho de la tecnología, aquí es donde nace la agricultura de precisión que de la mano de las tecnologías se encarga de cultivar exhaustivamente los cultivos abarcando todos los factores determinantes para una cosecha exitosa. (FAO, 2015) Este proyecto se inspira en crear un prototipo de un hardware y software capacitado para monitorear un cultivo interior en el cual se pueda confiar cualquier tipo de plantas alimenticias, medicinales u ornamentales. Con el fin de que en todo su proceso vegetativo y de floración se encuentre en las condiciones óptimas para su adecuado crecimiento. Con el objetivo de integrar tecnologías de machine learning al fitomonitoreo, el sistema de cultivo inteligente tiene una red neuronal, la que se encarga de analizar los datos del cultivo en su estado actual y predecir posibles estados futuros a partir de las entradas monitoreadas en la cual podría estar el cultivo. El proyecto se realiza empezando por su parte teórica, la cual describe, comenta y detalla todas las bases teóricas del proyecto; donde se pone énfasis en el comportamiento de la planta en su proceso de respiración el cual permite entregar un feedback sobre el estado de la planta sin intervenirla, así como la estructura de las redes backpropagation basadas en perceptrones de Mc Cullcoh-Pitts Para la implementación del prototipo se utiliza una tarjeta Raspberry pi 3, la cual usando el lenguaje Python 2.7 con la librería PyBrain donde se diseñó una red neuronal multicapa con 3 nodos en capa de entrada, 3 nodos en capa oculta y un nodo en capa de salida. Se utilizan sensores analógicos que permiten hacer lecturas de la humedad, temperatura, humedad del suelo y el co2 del entorno, para verificar el estado del cultivo. Se validó el proyecto, primero utilizando tablas prefabricadas con reglas lógicas para las funciones AND,OR y XOR, para posteriormente probar con sensores de fitomonitoreo, graficando tanto el puntaje de acierto entre variable estimada y observada además del error.es_ES
dc.description.abstractThe algorithms of data estimation using machine learning are becoming more precise, especially with the increase in computing capacity of new technologies, however, it is common to work on a single machine, instead of taking advantage of the potential of a network of computers. Nowadays, agricultural control systems depend a lot on technology, this is where precision agriculture is born, which at the hands of technologies is responsible for cultivating crops thoroughly, covering all the determining factors for a successful harvest. (FAO, 2015) This project is inspired to create a prototype of hardware and software capable of monitoring an indoor crop in which any kind of food, medicinal or ornamental plants can be trusted. In order that in all its vegetative and flowering process is in the most optimal conditions for proper growth. With the aim of integrating machine learning technologies into phytomomonitoring, the intelligent farming system has a neural network, which is responsible for analyzing crop data in its current state and predicting possible future states from the monitored inputs in which could be the crop. The project is carried out starting from its theoretical part, which describes, comments and details all the theoretical bases of the project; where emphasis is placed on the behavior of the plant in its respiration process which allows feedback on the state of the plant without intervention, as well as the structure of the backpropagation networks based on perceptrons of Mc Cullcoh-Pitts For the prototype implementation a Raspberry Pi 3 card is used, which using the Python 2.7 language with the PyBrain library where a multilayer neural network was designed with 3 nodes in the input layer, 3 nodes in the hidden layer and one node in the layer departure. Analog sensors are used to make readings of the humidity, temperature, humidity of the soil and the co2 of the environment, to verify the state of the crop. The project was validated, first using prefabricated tables with logical rules for the AND, OR and XOR functions, to later test with phytomomonitoring sensors, plotting both the hit score between the estimated and observed variable as well as the error.
dc.identifier.urihttp://repositorio.unab.cl/xmlui/handle/ria/9437
dc.language.isoeses_ES
dc.publisherUniversidad Andrés Belloes_ES
dc.subjectRedes Neurales (Ciencia de la Computación)es_ES
dc.subjectFitomonitoreoes_ES
dc.subjectAgriculturaes_ES
dc.subjectAutomatizaciónes_ES
dc.titlePrototipo de sistema de red neuronal Backpropagation cliente/servidor TCP/IP aplicado a fotomonitoreoes_ES
dc.typeTesises_ES
Archivos
Bloque original
Mostrando 1 - 1 de 1
Miniatura
Nombre:
a124729_Salinas_J_Prototipo_de_Sistema_de_Red_Neuronal_2018_Tesis.pdf
Tamaño:
5.06 MB
Formato:
Adobe Portable Document Format
Descripción:
TEXTO COMPLETO EN ESPAÑOL
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
1.71 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar
Colecciones
FIng - Trabajos de Titulación Pre-Grado