Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0)Pinto Serrano, Mario AugustoCerquera Carvajal, Dilan Amaury2024-06-062024-06-062023-11-24https://repositorio.uan.edu.co/handle/123456789/9812This project covers the topic of pattern recognition to know the stage of development of hydroponic forage and thus determine the optimal harvesting time. Specifically, it develops two variants: initially, the use of Image Processing approaches related with Machine Learning, and after, the use of deep learning in the disclosure and identification of patterns in the production process of hydroponic green fodder; the project proposes to implement a greenhouse prototype for the production of hydroponic green fodder, by controlling the variables (light intensity, water, temperature, humidity); the control of these variables is related to precision agriculture that has been utilized for collecting and processing crop data. Process control methods based on embedded systems, image recognition and learning through neural networks has been utilized with the goal of obtaining ideal values of these variables to carry out the production process of hydroponic green fodder and at the same time, thanks to self-learning and monitoring of variables, each time the process is carried out, a better result will be obtained.Este proyecto abarca la temática del reconocimiento de patrones para saber la etapa de desarrollo en la que se encuentra el forraje hidropónico y así determinar el momento óptimo de cosecha. En concreto presenta dos clases de técnicas: en primer lugar, la aplicación de Técnicas de Procesamiento de Imágenes asociadas a Aprendizaje Automático, y segundo la aplicación del aprendizaje profundo, en la detección y reconocimiento de patrones del proceso de producción del forraje verde hidropónico; el proyecto propone implementar un prototipo de invernadero para la producción de forraje verde hidropónico, por medio de un control de las variables (intensidad lumínica, agua, temperatura, humedad); el control de estas variables se relaciona con la agricultura de precisión que se utilizara para la recolección y procesamiento de datos del cultivo. Se emplearán métodos de control de procesos basados en sistemas embebidos, reconocimiento de imágenes y aprendizaje mediante redes neuronales, con el fin de obtener los valores ideales de las variables que se usan en el proceso del forraje verde hidropónico y al mismo tiempo gracias al autoaprendizaje y monitoreo de variables, cada vez que se realice el proceso, se obtenga un mejor resultado.pdf.spaAcceso abiertoAgricultura de precisiónAprendizaje automáticoAutomatizaciónHidroponíaInvernaderoReconocimiento de PatronesSistema de monitoreo de temperatura y humedad con determinación del estado de cosecha para cultivo de forraje verde de Maíz HidropónicoTrabajo de grado (Pregrado y/o Especialización)Precision agricultureAutomatic learningAutomationHydroponicsGreenhousePattern recognition.info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Agrícultura, O. d. (2006). FAO. Obtenido de Manual técnico forraje verde hidropónico. Oficina regional de la FAO para America Latina y el Caribe: http://www.fao.org/docrep/field/009/ah472s/ah472s00.htmanalitics, e. d. (24 de 10 de 2023). agricultura inteligente . Obtenido de https://eos.com/es/blog/agricultura-inteligente/Bama, K. A. (2022). Groundnut leaves and their disease, deficiency, and toxicity classification using a machine learning approach.” Cognitive Systems and Signal Processing in Image Processing. . Academic Press .Bioamara. (28 de agosto de 2021). Xataka.com. Obtenido de Hacer crecer una planta con luz artificial es posible si sabes cómo: la mega-guía de iluminación LED para plantas de interior: https://www.xataka.com/otros/hacer-crecer-planta-luz-artificial-posibleBonnet, P., Joly, A., Goëau, H., Campeón, J., Vignau, C., Molino, J.-F., . . . Boujemaa, N. (1647– 1665). Identificación de plantas: hombre versus máquina. [ Google Scholar ] [ CrossRef ][ Versión verde .bono, f. (1 de mayo de 2021). El forraje Hidropónico Puede producir 300 kilos/día de alimentos para animales en solo 15 m2 (Intensivo y sustentable),. Obtenido de https://infonegocios.info/enfoque/el-forraje-hidroponico-puede-producir-300-kilos-diaCarballo, C. M. (2003). Fundamentos De Tecnologia Documental . Editorial Complutense.Colombia, C. (1 de mayo de 2023). Obtenido de Cambio Climático: Cancillería, Cambio climático | Cancillería.: https://www.cancilleria.gov.co/cambio-climaticoColombia, P. T. (26 de feb de 2009). Obtenido de Colombia loses Rs 90k-cr crop yield to pest attacks every year [Online].: Available:http://www.financialexpress.comlnews/colombiaIoses-rs-90kcr-cropyield-to-pestattacks-every-year 14280911Digital, V. J. (1 de mayo de 2023). Obtenido de Panorama del Sector Avícola de Colombia: CIFRAS Y Retos: https://www.veterinariadigital.com/articulos/panorama-del-sector-avicola-decolombia-cifras-y-retos/