Advanced search

Knowledge area

34 results, page 1 of 4

Producción de huevo en cafetales: una opción de diversificación productiva

Manuel Sánchez Sánchez (2015)

Tesis (Maestría en Ciencias, especialista en Innovación Agroalimentaria Sustentable).- Colegio de Postgraduados, 2015.

En México alrededor de tres millones de personas dependen directa o indirectamente del café; cuyo cultivo en los últimos tres años ha sido afectado, en más del 80 %, por la roya del cafeto (Hemileia vastatrix Berkeley & Broome). Por lo anterior, la presente investigación tuvo el objetivo de evaluar la producción de huevo como una opción de diversificación productiva en cafetales. La población inicial del experimento fue de cinco gallos y 44 gallinas, ambos híbridos de las razas Rhode Island – Araucana, de cuatro semanas de edad. Se utilizó un gallinero con cama profunda y fueron pastoreadas por 12 horas en un cafetal de 1352 m2, sembrado a una densidad de 5000 plantas por hectárea con café (Coffea arabica L) de la variedad Oro Azteca. La evaluación a las gallinas se realizó durante un año de postura. Los resultados indican que la actividad es sustentable; con una relación beneficio /costo de 1.35, una producción promedio de 174 huevos por semana. El análisis físico químico de las heces indicaron que las aves aportaron al cafetal N t 4.85 %, P 1.77 %, K 1.41 % entre otros nutrientes, los cuales representan el 55 % de los nutrientes extraídos en una tonelada de café cereza. _______________ EGG PRODUCTION IN COFFEE PLANTATIONS: AN OPTION OF PRODUCTIVE DIVERSIFICATION. ABSTRACT: In Mexico around three million people depend directly or indirectly coffee; whose cultivation in the past three years has been affected by more than 80% for leaf rust (Hemileia vastatrix Berkeley & Broome). Therefore, the present study aimed to evaluate the production of egg as an option for diversification in coffee. The initial population of the experiment was 44 five cocks and hens hybrid races both Rhode Island - Araucana, four weeks old. A chicken with deep litter was used and were grazed for 12 hours in a coffee plantation of 1352 m2, planted at a density of 5000 plants per hectare with coffee of the variety Aztec gold. The evaluation was performed chickens a year in posture. The results indicate that the activity is sustainable; with a benefit / cost ratio of 1.35, an average production of 174 eggs per week. The physical and chemical analysis of feces indicated that birds contributed to cafetal N t 4.85%, 1.77% P, K 1.41% from other nutrients, which represent 55% of the nutrients removed in a ton of coffee cherry.

Master thesis

Agropastoril Cama profunda Gallus domesticus L. Innovación Coffea arabica Deep bed Innovation Innovación Agroalimentaria Sustentable Maestría CIENCIAS AGROPECUARIAS Y BIOTECNOLOGÍA

Stabilization of bed Inclination angle in rotary drums by using computer vision


"Computer vision systems have had great importance in research of different industrial processes. Videos and photographs have been used to characterize the bed behavior in a rotary drum; in this way, the bed motion, repose angles, trajectories, and particle velocity can be determined This work shows the development of a computer vision system that measures the bed inclination angle in industrial rotary drums. The purpose of the vision system is to capture the images when the angular velocity on the drum changes. Eventually, with the data measured during the two experiments in industrial rotary drums, we have identified two input-output models representing the slumping motion. Based on the control objective, we considered two approaches: regulation and tracking PI and PII2 controllers have been designed to show that a bed inclination angle can be stabilized for rolling motion considering plants that represent slumping motion and the inclination angle as the measured variable."


Rotating drum Granular material Rolling bed Kilns Flow Motion Particles Behavior Solids Transition INGENIERÍA Y TECNOLOGÍA INGENIERÍA Y TECNOLOGÍA

Sand waves generation: a numerical investigation of the Infiernillo Channel in the Gulf of California


"The effect of the coastal geometry on sand bed forms generation has been investigated for a tidal dominated area. Different hypothetical geometries of coastal channels with flat bottoms and unlimited sediment availability were exposed to strong oscillatory tidal currents to simulate the interaction of hydrodynamics and the bedload sediment transport. The hypothetical geometries stand for the idealization of the principal geographic features of the Infiernillo Channel, a coastal area of the Gulf of California where sandbanks and sand waves have been observed. A depth integrated hydrodynamic-numerical model and a parameterized formula to estimate the bedload sediment transport were applied coupled with a sediment conservation equation to determine the sea bottom morphodynamics. Model predictions in the Infiernillo Channel were compared to available satellite imagery. This investigation demonstrates that a vertical integrated numerical model is able to reproduce the development of incipient sand waves that exist in the Infiernillo Channel. Incipient sandbanks and shoals were also simulated. Sand waves with wavelengths of about 200 m were calculated on the same locations where sand waves actually exist. A crucial finding of this research was to show that the geometry of a shallow water basin and the presence of tidal velocity gradients associated with abrupt changes in the coastline alignment were critical in determining the sand-bed pattern generation. We demonstrate that a vertical variation of tidal currents is not necessary to generate sand waves."


Sand waves Tidal hydrodynamics Bed load Sediment transport CIENCIAS FÍSICO MATEMÁTICAS Y CIENCIAS DE LA TIERRA

Definition of critical hydrodynamic conditions for sediment motion initiation using optical technique


Sediment motion initiation experiments were performed in a glass rectangular channel, with a loose bed in the central part. The main goal is to obtain the critical hydrodynamic characteristics that causes sediment bed motion initiation, for different cohesionless sediment grain sizes. The optical technique of Particle Tracking Velocimetry (PTV) was used in order to determine the critical velocity profiles for sediment initiation of motion. Between the parameters that define this critical velocity profile is the one known as bed rugosity which represents the height of asperities in the bed. For conditions near bed motion initiation experimental velocity profiles were obtained and they allowed us also to define fluctuating velocities u´, v´ and a value of bed rugosity ks related to a representative grain size of the bed. It was shown that obtained critical velocity profiles are in good agreement with other works in the scientific literature provided an appropriate definition of bed rugosity is made.

Universidad Autónoma del Estado de México


non-cohesive sediments motion initiation bed rugosity critical velocity profile PTV INGENIERÍA Y TECNOLOGÍA

Effect of bed planting and zero tillage on productivity and water use of Irrigated maize - wheat cropping system in Khyber Pakhtunkhwa province of Pakistan

Imtiaz Hussain Muhammad Imtiaz (2018)

Crop establishment methods like broadcasting of wheat and manual planting of maize on flat surface coupled with flood irrigation are used in irrigated maize–wheat system of Khyber Pakhtunkhwa (KP) province that requires skilled labor, intensive tillage and more water for irrigation. In this study, zero tillage and bed planting effect in comparison with farmer practice on maize-wheat system productivity was evaluated at five sites in district of Nowshera, KP province during 2014-2016. Maize grain yield with bed planting and manual planting on flat surface were non-significantly different. Because of weed infestation, there was 30 percent lower maize grain yield with zero till planted maize in comparison with bed planting and farmer practice. Zero till drill planted wheat after maize crop had higher grain yield in comparison with mechanized bed planting and farmer practice of broadcasting in 2014-15 and 2015-16 wheat season. Because of higher maize grain yield, maize–wheat system productivity was significantly higher with bed planting and farmer practice in comparison with Zero tillage. Bed planting of maize had 20 – 30 percent higher water use efficiency (WUE) in comparison with flat planting of farmer practice in both the years. Overall comparison of maize – wheat cropping system showed that there were 16 and 22 percent water saving with bed planting in comparison with other practice in 2014-15 and 2015-16 cropping cycle, respectively. The study showed that farmer practice of manual planting of maize and broadcasting of wheat can be replaced with bed planting of maize and zero till drill planting of wheat, respectively to save water, labor and improve maize-wheat system productivity and water use efficiency.



Estudio y comparativa de algoritmos de detección de objetos con redes neuronales artificiales convolucionales para la detección de enfermedades en hojas

Study and comparison of objects detection algorithms using convolutional neural networks for plant diseases detection in leaves


Recently Machine Learning and computational vision have generated interest and have found new applications in engineering. In agriculture, "smart" systems have become important tools in the detection of anomalies that decrease the quality and quantity in the harvest of agricultural products. In this research, we developed a comparison of the main object detection algorithms using Convolutional Neural Networks (CNN) implemented in Deep Learning. The results were analyzed based on the accuracy and processing time obtained with the object detection algorithms R-CNN, Fast R-CNN, and Faster R-CNN. The CCN topologies of AlexNet, GoogleNet, ResNet50, ResNet101, SqueezeNet and InceptionV3 were implemented to generate Transfer Learning in image detectors and classifiers. The topologies were trained with the PlantVillage - Dataset which is made up of more than 40,000 leaf images of 9 plant species and 24 diseases

Recientemente el Machine Learning y la visión computacional han originado interés y han encontrado nuevas aplicaciones en la ingeniería. En la agricultura, sistemas “inteligentes” se han convertido en herramientas importantes para la detección de anomalías que decrecen la calidad y cantidad en la cosecha de productos agrícolas. En esta investigación desarrollamos una comparativa de los principales algoritmos de detección de objetos usando Redes Neuronales Convolucionales (RNC) implementadas en Deep Learning. Se analizaron los resultados en base a la superposición y tiempo de procesamiento obtenidos con los algoritmos de detección de objetos R-CNN, Fast R-CNN, y Faster R-CNN. Se implementaron las arquitecturas de RNC de AlexNet, GoogleNet, ResNet50, ResNet101, SqueezeNet e InceptionV3, para generar Transfer Learning en los detectores y clasificadores de imágenes. Las arquitecturas fueron entrenadas con PlantVillage - Dataset, conformado por más 40,000 imágenes de hojas de 9 especies de plantas y 24 enfermedades.

Producción Científica de la Universidad Autónoma de Zacatecas UAZ

Conference proceedings

INGENIERÍA Y TECNOLOGÍA Inteligencia Artificial aplicada a la ingeniería Detección de enfermedades de plantas Redes neuronales convolucionales Deep Learning

Diagnosis of breast cancer through the processing of thermographic images and neural networks


Currently the standard method of breast cancer screening is the mastography, a study commonly available for women of 40 years and older, because the skin and tissue becomes thinner over time, allowing X-rays to pass through the breasts and obtain images of any anomalies that may arise. Being an invasive and radioactive technique, it is not comfortable for patients and therefore no regular consultations are done, thus avoiding early diagnosis and timely treatment. In addition to the above, women outside the age range for performing a mastography are unprotected, due to this, alternative detection methods have been sought.

In this work we propose a method to support an early diagnosis of breast cancer through the processing of thermographic images and the use of artificial neural networks. Thermomastography is an innocuous test based on infrared radiation emitted by the body; it is painless, effective, economical and fast. Our proposal is to correlate a private database of clinical reports of patients obtained with usual and accepted techniques, such as the mastography and biopsy, with the database of the same patients but using their thermal imaging and thermographic classification, in this way a neuronal algorithm could support a medical expert in the diagnosis of cases not visible without such aid. We present the result obtained for the classification of two and three classes of cancer risks, using the combination of various classification techniques; the neural network algorithms used were R-CNN for Object Detection and Neural Network for Pattern Recognition. With respect to image processing, we included Fourier Transform for pattern analysis, and statistics based on intensity levels differences between both breasts. The final aim of this research is eventually not just to warn if a patient could present cancer or not, but to inform about a thermal classification indicating the possible presence of abnormalities, to avoid future problems or to keep such patient under surveillance.

En la actualidad el método estándar de detección de cáncer de mama es la mastografía, estudio comúnmente disponible para mujeres de 40 años en adelante, debido a que la piel y el tejido graso se adelgaza con el paso del tiempo, permitiendo a los rayos x atravesar las mamas y obtener imágenes de cualquier anomalía que pudiera presentarse. Al ser una técnica invasiva y radiactiva, no es del agrado de los pacientes y por esto no se hacen consultas regulares, evitando así un diagnóstico temprano y un tratamiento oportuno. Además de lo antes mencionado, las mujeres fuera del rango de edad para realizarse una mastografía quedan desprotegidas, debido a esto se han buscado métodos alternos de detección.

En este trabajo proponemos un método para apoyar un diagnóstico precoz de cáncer de mama mediante el procesamiento de imágenes termográficas y el uso de redes neuronales artificiales. La termomastografía es una prueba inocua basada en la radiación de rayos infrarrojos que emite el cuerpo, es indolora, eficaz, económica y rápida. Nuestra propuesta es correlacionar una base de datos privada de informes clínicos de pacientes obtenidos con técnicas habituales y probadas, como mastografía y biopsia, con la base de datos de los mismos pacientes pero usando sus imágenes térmicas y clasificación termográfica, de esta manera un algoritmo neuronal podría encontrar patrones que por simple vista un experto médico no pudiera notar.

Presentamos el resultado obtenido para la clasificación de dos y tres clases de riesgos de cáncer, utilizando la combinación de diferentes técnicas de clasificación; los algoritmos de redes neuronales usados fueron R-CNN para detección de objetos y redes neuronales de reconocimiento de patrones. Respecto al procesamiento de imágenes, se incluyó la transformada de Fourier para el análisis de patrones, y estadísticas basadas en las diferencias de niveles de intensidad entre ambos senos. El objetivo final de esta investigación es no sólo advertir si un paciente puede presentar cáncer o no,

es sino informar sobre una clasificación térmica que indica la posible presencia de anomalías, para así evitar futuros problemas o mantener a dicho paciente bajo vigilancia.

Master thesis

Thermography Neural networks Deep learning Breast cancer Image processing Feature extraction CIENCIAS FÍSICO MATEMÁTICAS Y CIENCIAS DE LA TIERRA FÍSICA ÓPTICA TRATAMIENTO DIGITAL. IMÁGENES

Deep Learning para la Detección de Peatones y Vehículos


Dado el reciente desarrollo y el impacto que ha tenido el paradigma de Deep Learning en el campo de la Inteligencia Artificial, el presente trabajo tiene como base el interés en este paradigma de aprendizaje, en específico empleando redes neuronales convolucionales (CNNs), para la detección o clasificación de objetos en imágenes; además se analiza las ventajas de implementar estos algoritmos en hardware. El objeto de estudio del aprendizaje automático es tratar de emular la inteligencia humana de forma artificial. Se ha trabajado en este campo por años, con diferentes enfoques y algoritmos. En la última década, el paradigma del Deep Learning ha revolucionado el estado del arte en tareas como reconocimiento de voz, visión artificial y el procesamiento del lenguaje natural; que resultaban difíciles de llevar a cabo por una máquina. Las técnicas que predominan en este paradigma son las CNNs, se utilizan como principal algoritmo en tareas que involucran visión artificial, tales como la detección de objetos. Se ha logrado un despunte importante en el reconocimiento de patrones en imágenes y video empleando estas técnicas, al grado de superar la capacidad humana. Un factor importante para ese desarrollo es la capacidad de procesar altos volúmenes de información en aplicaciones exitosas, lo que ha derivado en que los dispositivos empleados para dicho propósito, como GPUs y CPUs multinúcleo requieran de gran cantidad de energía para su funcionamiento. Recientemente, han surgido investigaciones enfocadas en buscar alternativas de hardware, sobre el cual implementar las CNNs de forma eficiente, sobre todo para aplicaciones embebidas. Una de estas alternativas son los Arreglos de Compuertas Programables en Campo (FPGAs), que ofrecen la capacidad de procesamiento en paralelo espacial y temporal, un menor tiempo de latencia y bajo consumo de potencia; lo que resulta ideal para ese tipo de aplicaciones. El presente trabajo se divide en dos partes, por un lado se hace la implementación del paradigma Deep Learning con una CNN para clasificar imágenes de señales de tránsito vehicular (como primer caso de estudio), con el propósito de medir el tiempo de entrenamiento y su desempeño en la clasificación. Por otro lado, se investiga la tecnología relacionada con FPGAs, para determinar la forma en que se puede acelerar el cómputo implicado en ese tipo de redes con estos dispositivos, validándolos como una alternativa de implementación para sistemas embebidos. Los resultados obtenidos en la presente investigación son: 1) La programación, entrenamiento y prueba de una CNN. Se realizaron una serie de experimentos, encontrando un error en la clasificación de 3.25% y un tiempo de entrenamiento de 0.33 horas, para los mejores casos de los ensayos realizados. 2) Se analizan las ventajas de implementar este tipo de algoritmos en FPGAs, sus restricciones, requisitos y tres alternativas de desarrollo.


Master thesis

deep learning redes neuronales CIENCIAS SOCIALES

Redes neuronales convolucionales para la detección y clasificación de enfermedades de plantas basadas en imágenes digitales

VALERIA MAEDA GUTIERREZ Ma. Auxiliadora Araiza Esquivel (2018)

Las enfermedades de plantas representan factores adversos que provocan una grave reducción en la

calidad y cantidad en cultivos agrícolas. Comúnmente, los agricultores o biólogos expertos observan las

plantas a simple vista para detectar enfermedades, pero este método suele ser inexacto y puede tomar

gran cantidad de tiempo. En este estudio hacemos uso de técnicas de inteligencia artificial y visión

computacional para alcanzar el objetivo del diseño y desarrollo de un autómata inteligente para la

clasificación de enfermedades en hojas. Utilizamos la arquitectura de AlexNet para entrenarla usando un

conjunto de datos de PlantVillage – Dataset conformado por 40,000 imágenes de hojas sanas y enfermas.

El sistema de detección desarrollado, logró identificar 9 especies de plantas y 24 enfermedades, con una

exactitud de 98.90% que fue el valor más exacto de todas las arquitecturas comparadas. Además, se

demuestra que utilizando las capas de activación de la arquitectura AlexNet es que podemos realizar una

eficiente detección y segmentación de lesiones presentes en la hoja de la planta de una manera rápida sin

la necesidad de recurrir a procesos tediosos de entrenamiento de detectores de imágenes.

Producción Científica de la Universidad Autónoma de Zacatecas UAZ


INGENIERÍA Y TECNOLOGÍA Detección enfermedades plantas deep learning