Escuela de Ingeniería de Sistemashttps://hdl.handle.net/20.500.12802/1512024-03-29T07:06:33Z2024-03-29T07:06:33ZComparación de algoritmos de segmentación de imágenes digitales de plantas de arroz en ambientes no controladosSandoval Odar, Williamhttps://hdl.handle.net/20.500.12802/122582024-03-23T08:02:08Z2023-01-01T00:00:00ZComparación de algoritmos de segmentación de imágenes digitales de plantas de arroz en ambientes no controlados
Sandoval Odar, William
A partir del año 2023 el departamento de Lambayeque disminuyo en producción de
arroz el 22,50 %, sin embargo existieron desafíos como plagas de Mosquilla y Sogata que
limitaron obtener cosechas adecuadas en los sembríos de arroz, debido a la escases de
agua y climas variables que se dieron en los últimos años, por esta razón el tratamiento y
identificación de plantas de arroz a tiempo es importante porque permite a los agricultores
buscar una solución adecuada, sin embargo realizarlo de manera manual es complicado,
existió una necesidad de obtener técnicas avanzadas que automaticen la identificación de
plantas de arroz sanas.
Es por eso que en esta investigación se necesitó segmentación de imágenes digitales
de plantas de arroz, que consistió en separar las plantas de arroz sanas de manera
automática de otros elementos que no eran plantas de arroz en la imagen. Siendo de utilidad
para diferenciar plantas de arroz donde pueden ser utilizados para el estudio de un desarrollo
tecnológico en detección de plagas, para poder realizarlo se utilizó un dispositivo de
adquisición de imágenes CANON, adquiriendo 50 imágenes en día soleado y 50 imágenes
en día nublado, luego se pre proceso convirtiendo a espacio de color CIELab y el otro espacio
de color fue HSV, se pre procesó porque las imágenes fueron adquiridas en un ambiente no
controlado, luego en CIELab se tomó la dimensión b y en HSV se tomó la dimensión S, porque
tuvieron un mejor performance, la dimensión b fue el ingreso para la segmentación con el
algoritmo K-MEANS y la dimensión S fue el ingreso para segmentar con el algoritmo
DBSCAN, En la segmentación con el algoritmo K-MEANS se obtuvo resultados en Exactitud
de 92.25% y una Especificidad de 100%. El algoritmo K-MEANS obtuvo mejores resultados
en detección de plantas de arroz porque a pesar que las imágenes tuvieron desenfoques,
sombras, barro, agua, logró obtener una mejor Exactitud en pixeles que fueron plantas,
confundiendo muy poco con los pixeles que no eran plantas.
2023-01-01T00:00:00ZAplicación de buenas prácticas para entornos de desarrollo de software basados en DevOps para mejorar la integración y despliegue de proyectos en una empresa consultora de la ciudad de LimaAviles Odar, Dennis Mauriciohttps://hdl.handle.net/20.500.12802/122082024-03-19T08:01:41Z2023-01-01T00:00:00ZAplicación de buenas prácticas para entornos de desarrollo de software basados en DevOps para mejorar la integración y despliegue de proyectos en una empresa consultora de la ciudad de Lima
Aviles Odar, Dennis Mauricio
Las organizaciones día a día enfrentan un nuevo y cambiante mecanismo
tecnológico, es por ello que debe estar enfocada en resolver problemáticas específicas,
generar ventaja competitiva, impactar positivamente mediante sus indicadores de
desempeño y resultados y proporcionar mecanismos para enfrentar nuevos y propios
desafíos, mediante la incorporación de las tecnologías de información. A pesar de ello, los
desafíos a los que actualmente enfrenta una organización y en especial las empresas
consultoras de Software se ven reflejados en la demora de entregas de software, la
inexistencia de procesos para la gestión de cambios, la poca capacidad de procesamiento,
procedimientos mal definidos para los pases entre ambientes, diversidad de errores en los
entregables para el cliente y los bloqueos de los ambientes de pruebas por los
programadores o desarrolladores del proyecto. El método utilizado fue la aplicación de
buenas prácticas basadas en DevOps para las fases de integración y despliegue de
software. Con base en la implementación, se concluyó que el impacto de la ejecución
mediante una guía de buenas prácticas, encuestas de satisfacción para el cliente interno y
externo y análisis de indicadores de velocidad y calidad, resultó de manera positiva
logrando un mayor rendimiento y eficiencia en el caso de estudio. Para el indicador
velocidad (desarrollo - despliegue), se obtuvo una mejora del 69%, 31%, 34%, indicador
velocidad (frecuencia de liberación de código), 48%, 48% y 57% e indicador calidad (ratio
de éxito), 34%, 46% y 19%, todos los indicadores en base a los 03 proyectos definidos en
la muestra.
2023-01-01T00:00:00ZDesarrollo de una aplicación móvil basada en microservicios para agilizar el proceso de ventas en un minimarketChuman Lluen, Dagner Anibalhttps://hdl.handle.net/20.500.12802/121642024-03-09T08:01:39Z2023-01-01T00:00:00ZDesarrollo de una aplicación móvil basada en microservicios para agilizar el proceso de ventas en un minimarket
Chuman Lluen, Dagner Anibal
El proyecto se enfoca en desarrollar una aplicación móvil basada en microservicios
utilizando la metodología XP (Extreme Programming) para agilizar el proceso de ventas en
Minimarkets y evitar la congestión de clientes en las colas de espera. La implementación de
microservicios, que abarca áreas clave como API Gateway, Productos, Categoría, Negocio y
Compra, ha demostrado ser altamente eficaz bajo los principios ágiles de XP. Con tiempos
de respuesta promedio de 4431 ms para 20 peticiones por segundo, se logró una mejora
sustancial en la eficiencia del proceso en comparación con el sistema anterior, que registraba
10000 ms, reduciendo el tiempo de espera en un 95.69%. Además, se aplicó la norma
ISO/IEC 25010 para evaluar la calidad del software, garantizando un enfoque integral. La
aplicación, concebida bajo la metodología XP, ha reducido drásticamente el tiempo de espera
para los clientes a 2500 ms, en comparación con los 2 minutos por cliente sin la aplicación,
mejorando significativamente la experiencia de compra. La propuesta busca evitar la
congestión de clientes en colas físicas, ofreciendo la opción de realizar compras y pedidos a
través de la plataforma web y móvil. La implementación de un sistema automatizado, un pilar
de XP, ha permitido a los negocios gestionar transacciones eficientemente y controlar el flujo
de clientes en tiempo real. Resultados indican un bajo acoplamiento entre los microservicios,
sugiriendo alta reusabilidad, y buena cohesión entre componentes para facilitar la
comprensión y mantenimiento del sistema.
2023-01-01T00:00:00ZImplementación de un método de clasificación para detectar la deserción de estudiantes de la carrera de Ingeniería de Industrias Alimentarias de una Universidad Nacional Peruana basado en aprendizaje de maquinaCampos Barrera, Sandro PaulPastor Oliva, Cesar Augustohttps://hdl.handle.net/20.500.12802/120962024-02-03T08:02:30Z2023-01-01T00:00:00ZImplementación de un método de clasificación para detectar la deserción de estudiantes de la carrera de Ingeniería de Industrias Alimentarias de una Universidad Nacional Peruana basado en aprendizaje de maquina
Campos Barrera, Sandro Paul; Pastor Oliva, Cesar Augusto
La deserción estudiantil es un problema creciente en Latinoamérica, con un aumento
considerable en los últimos años. Esto ha tenido un impacto económico significativo, con
pérdidas que alcanzan el 26% del gasto público en educación. En Perú, entre 40,000 y
50,000 universitarios abandonan sus estudios anualmente. Asimismo, la pandemia de
COVID-19 agravó la deserción, pasando del 12% en 2019 al 18.6% en 2020. Para abordar
este problema, se han realizado estudios que utilizan algoritmos de clasificación, como
Máquina de Vectores de Soporte, Naive Bayes, Perceptrón Multicapa y Árboles de
Decisión, para predecir la deserción estudiantil. Aún ante la efectividad de los métodos, la
creciente deserción requería una mayor precisión. Siendo así, esta investigación propone
implementar un método de clasificación mejorado utilizando algoritmos de Aprendizaje de
Máquina como Random Forest, Naive Bayes, J48, RandomTree y Support Vector Machine.
Se mejoró la calidad de los datos mediante filtros supervisados y no supervisados, como
ReplaceMissingValues para completar datos faltantes, SpreadSubSample, Resample y
Class Balancer para equilibrar clases y validación cruzada para evaluar el desempeño de
cada algoritmo propuesto. El método propuesto, junto con el algoritmo Support Vector
Machine, logró una precisión del 98.88% al procesar una muestra de 358 instancias. Se
demostró que eliminar datos faltantes puede reducir el rendimiento de los algoritmos
clasificadores, y se usó el filtro ReplaceMissingValues para llenar los valores faltantes con
la media aritmética. Este enfoque muestra un prometedor avance en la predicción de la
deserción estudiantil y puede ser una herramienta valiosa para las instituciones educativas
en la lucha contra este problema
2023-01-01T00:00:00Z