Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0)Erazo Ordoñez, Christian CamiloOrtiz Daza, Camilo Andrés2021-11-032021-11-032021-06-10http://repositorio.uan.edu.co/handle/123456789/5156Late blight (Phythottora Infestas) is a disease that seriously affects potato crops, causing a negative impact on the farmer's economy. This project will generate a computational tool called NeuroPI - 2105 based on a convolutional neural network created by the author, which classifies two types of leafs that are; healthy and sick. The network has been trained with 1304 images from the PlantVillage database, 304 of them correspond to healthy leaves, the remainder being attributed to late blight. The training algorithm has used the Adam gradient descent, the cross-entropy error function, and backpropagation, in order to adjust the synaptic weights and threshold levels in the network.El tizón tardío (Phythottora Infestas) es una enfermedad que afecta seriamente a los cultivos de papa, propiciando un impacto negativo en la economía del agricultor. Este proyecto permitió construir una herramienta computacional llamada NeuroPI – 2105 basada en una red neuronal convolucional creada por el autor, misma que clasifica dos tipos de folios que son; sanos y enfermos. La red ha sido entrenada con 1304 imágenes de la base de datos PlantVillage, 304 de ellas corresponden a hojas sanas, siendo el restante atribuidas al tizón tardío. El algoritmo de entrenamiento ha empleado el gradiente descendente Adam, la función del error de entropía cruzada y la backpropagation, con el fin de ajustar los pesos sinápticos y los niveles de umbral en la red.spaAcceso abiertoTizón TardíoHerramienta ComputacionalRedes Neuronales ConvolucionalesMatlab633Tesis y disertaciones (Maestría y/o Doctorado)Late BlightComputational ToolConvolutional Neural NetworksMatlabinfo:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2[1] Finagro, «El Momento del Agro,» 30 Octubre 2020. [En línea]. Available: https://www.finagro.com.co/noticias/el-momento-del-agro.[2] Ministerio de Agricultura y Desarrollo Rural, «minagricultura,» Marzo 2019. [En línea]. Available: https://sioc.minagricultura.gov.co/Papa/Documentos/2019-03- 31%20Cifras%20Sectoriales.pdf.[3] Ministerio de Agricultura y Desarrollo Rural, «Minagricultura,» Junio 2020. [En línea]. Available: https://sioc.minagricultura.gov.co/Papa/Documentos/2020-06- 30%20Cifras%20Sectoriales.pdf.[4] C. d. C. d. Bogotá, V. d. F. Empresarial y P. d. A. A. y. Agroindustrial, «Centro de Información Empresarial (CIEB),» 2015. [En línea]. Available: http://hdl.handle.net/11520/14306.[5] H. Torres, «Cipotato.org,» Mayo 2002. [En línea]. Available: http://cipotato.org/wpcontent/uploads/2002/05/002485-1.pdf.[6] W. Pérez y G. Forbes, «fao.org,» julio 2011. [En línea]. Available: http://www.fao.org/3/as407s/as407s.pdf[7] T. -Y. Lee, J. -Y. Yu, Y. -C. Chang y J. -M. Yang, «Health Detection for Potato Leaf with Convolutional Neural Network,» de 2020 Indo – Taiwan 2nd International Conference on Computing, Analytics and Networks (Indo-Taiwan ICAN), 2020.[8] F. Liu y Z. Xiao, «Disease Spots Identification of Potato Leaves in Hyperspectral Based on Locally Adaptive 1D-CNN,» de 2020 IEEE International Conference on Artificial Intelligence and Computer Applications (ICAICA), 2020.[9] P. Sharma, P. Hans y S. C. Gupta, «Classification Of Plant Leaf Diseases Using Machine Learning And Image Preprocessing Techniques,» de 2020 10th International Conference on Cloud Computing, Data Science & Engineering (Confluence), 2020[10] A. Anton, S. Rustad, G. Shidik y A. Syukur, «Classification of Tomato Plant Diseases Through Leaf Using Gray-Level Co-occurrence Matrix and Color Moment with Convolutional Neural Network Methods,» de Smart Trends in Computing and Communications: Proceedings of SmartCom 2020., Singapore, Springer, 2020.instname:Universidad Antonio Nariñoreponame:Repositorio Institucional UANrepourl:https://repositorio.uan.edu.co/