C&T Riqchary Revista de investigación en ciencia y tecnología
Not a member yet
80 research outputs found
Sort by
Disease detection through corn leaves using DEEP Learning for farmers in the Curahuasi Abancay district-2024
Get PDFEl maíz es un cultivo importante en el Perú, esencial para la seguridad alimentaria. Sin embargo, su cultivo enfrenta desafíos significativos debido a enfermedades debilitando como la Trips del maíz, y el virus del Roya del maíz, que pueden conducir a graves pérdidas del rendimiento. Los métodos tradicionales de diagnostico de enfermedades de las plantas a menudo requieren mucho tiempo y son propensos a errores, lo que requiere enfoque más eficiente. Este estudio explora la aplicación de apredizaje profundo, especialmente las redes neuronales convolucionales (CNN), en la detección y clasificación automáticas de enfermedades del maíz. El objetivo de este estudio es comparar la precisión de dos arquitecturas: CNN básico y ResNet18, la imagen de prueba utilizo un conjuinto de datos formado de 3087 imágenes que comprenden de enfermedades de las hojas del maíz, las clases están conformados por, Trips, Roya y hojas Sanas. Además, realizamos un ajuste hiperparametros para mejorar el rendimiento de los modelos y el mapeo de activación de clases ponderado por gradiente, para la interpretabilidad del modelo. Nuestros resultados muestran que el modelo ResNet18 demostro una precisión del 99.38% al distinguir entre pantas sanas y enfermas. Los resultados de este estudio contribuyen al avance de las aplicaciones de IA en la agricultura, en particular en el diagnóstico de enfermedades del maíz en Curahuasi Perú.maize is an important crop in Perú, essential for food security. Howevewr, its cultivation faces significant chakkenges due to debilitating diseases such as corn thips and corn rust virus, which can lead to severe yield losses. Traditional methods of plant disease disease diagnosis are often time consuming and error prone, requiring mode efficient approach. This study explores the application of deep learning, especially convolutional neural networks (CNNs), in the automatic detection and classification of maize diseases. The objective of this study is to compare the accuracy of two architectures. Basic CNN and ResNet18, the test image used a data set consisting of 3087 images comprising of maize leaf diseases, classes comsisting of, Thirips, Rust and Healthy Leaves, in addition, we performed hyperparameter adjustment to improve model performance and gradient-weighted class activation mapping for model interpretability. Qur results show that the ResNet18 model demonstrated an accuracy of 99.38% in distinguishing between blankets. The results of this study contribute to the advancement of al applications in agriculture, particulary in the diagnosis of maize diseases in Curahuasi Perú
Pre-trained Deep Models for Automated Detection of 10 Types of Bone Fractures: A Comparative Study with ResNet50, EfficientNetB3 and MobileNet
Get PDFEl diagnóstico rápido y preciso de fracturas óseas es fundamental para prevenir complicaciones y optimizar el tratamiento. Las redes neuronales convolucionales (CNN) han demostrado alta eficacia en la clasificación de radiografías, alcanzando resultados comparables a los de especialistas. Este estudio evaluó MobileNet, ResNet50 y EfficientNetB3 para clasificar 10 tipos de fracturas usando 1,129 imágenes balanceadas: 90% para entrenamiento (1,017) y 10% para validación (112). El preprocesamiento incluyó redimensionado a 256×256 píxeles, conversión a RGB, normalización y one-hot encoding. El entrenamiento se realizó en Google Colab con optimizador RMSprop, pérdida categorical_crossentropy y early stopping. ResNet50 y EfficientNetB3 alcanzaron 95.54% de exactitud y F1-score >0.94, superando a MobileNet 91.51% de exactitud. Las confusiones se presentaron principalmente en fracturas visualmente similares. Las CNN evaluadas son viables para la clasificación automática de fracturas óseas, constituyendo una herramienta de apoyo diagnóstico útil, especialmente en áreas con escasez de especialistas. Se propone como trabajo futuro incluir un conjunto de prueba independiente y aumento de datos para mejorar la generalización.Rapid and accurate diagnosis of bone fractures is key to avoiding complications. Convolutional neural networks (CNN) have demonstrated high efficiency in the classification of radiographs, achieving results comparable to those of specialists. This study evaluated MobileNet, ResNet50, and EfficientNetB3 to classify 10 fracture types using 1,129 balanced images: 90% for training (1,017) and 10% for validation (112). Preprocessing included resizing to 256x256 pixels, conversion to RGB, normalization and one-hot encoding. The training was carried out in Google Colab with RMSprop optimizer, categorical_crossentropy loss and early stopping. ResNet50 and EfficientNetB3 achieved 95.54% accuracy and F1-score >0.94, outperforming MobileNet (91.96% accuracy). Confusions occurred mainly in visually similar fractures. The CNNs evaluated are viable for the automatic classification of bone fractures, constituting a useful diagnostic support tool, especially in areas with a shortage of specialists. It is proposed as future work to include an independent test set and data augmentation to improve generalization
Geological characterization and mineralogical potential of Tumipampa
No full textEste estudio se centra en la evaluación integral del yacimiento Tumipampa, localizado en la región de Apurímac, Perú, reconocido por su notable potencial mineralógico. La investigación se enfoca en la caracterización detallada de las unidades litológicas, la identificación precisa de las estructuras geológicas y la valoración del potencial económico basado en la mineralización presente. Mediante un riguroso mapeo geológico, un exhaustivo muestreo geoquímico y técnicas avanzadas de perforación diamantina, se identificaron intrusiones de granodiorita, formaciones de caliza, mármol, cuarcita y limolitas. Las estructuras geológicas, incluyendo fallas y pliegues, desempeñan un papel crucial en la distribución de la mineralización. Los análisis geoquímicos detallados revelaron concentraciones significativas de oro (Au), plata (Ag) y cobre (Cu) en muestras de afloramiento, con valores que alcanzan hasta 25.10 ppm de Au y 24.8 ppm de Ag. Adicionalmente, los resultados de la perforación diamantina indicaron concentraciones de hasta 12.25 ppm de Au en intervalos de 2.00 metros de ancho y 23.8 ppm en intervalos de 1.20 metros de ancho. Estos hallazgos sugieren un considerable potencial económico para la explotación minera del yacimiento Tumipampa, respaldado por datos cuantitativos de recursos y los resultados obtenidos mediante perforación diamantina.This study focuses on the comprehensive evaluation of the Tumipampa deposit, located in the Apurímac region of Peru, known for its notable mineralogical potential. The research emphasizes detailed lithological characterization, precise identification of geological structures, and the assessment of economic potential based on existing mineralization. Through rigorous geological mapping, exhaustive geochemical sampling, and advanced diamond drilling techniques, granodiorite intrusions, limestone formations, marble, quartzite, and siltstones were identified. Geological structures, including faults and folds, play a crucial role in mineral distribution. Detailed geochemical analyses revealed significant concentrations of gold (Au), silver (Ag), and copper (Cu) in outcrop samples, with values up to 25.10 ppm of Au and 24.8 ppm of Ag. Additionally, diamond drilling results indicated concentrations up to 12.25 ppm of Au over 2.00-meter intervals and 23.8 ppm over 1.20-meter intervals. These findings suggest considerable economic potential for mining exploitation at the Tumipampa deposit, supported by quantitative resource data and diamond drilling results
Machine learning predictive model for vocational guidance service for high school students in the Regional Management of Labor and Employment Promotion Cusco 2024
No full textEste trabajo de investigación comparó tres modelos predictivos de Machine Learning: Árbol de Decisiones, Redes Neuronales y Regresión Logística, con el objetivo de identificar cuál fue el más adecuado para mejorar el servicio de orientación vocacional dirigido a estudiantes de secundaria. La orientación vocacional ha sido un desafío global, ya que muchos jóvenes no tenían claridad sobre qué carrera seguir, lo que a menudo resultaba en decisiones equivocadas y arrepentimientos posteriores. A través del test vocacional IEPPO, se evaluaron las respuestas de los estudiantes utilizando la metodología KDD. Los modelos fueron entrenados y evaluados utilizando Python, utilizando métricas como exactitud, precisión y recall. Los resultados indicaron que el modelo Árbol de Decisiones fue el más efectivo, alcanzando una exactitud del 99.82%, una precisión del 99.83% y un recall del 99.82%, superando a las Redes Neuronales y la Regresión Logística. Estas conclusiones resaltaron la capacidad del Árbol de Decisiones para mejorar el proceso de orientación vocacional, proporcionando una herramienta precisa y confiable para guiar a los estudiantes en su elección de carrera.This research work compared three predictive Machine Learning models: Decision Tree, Neural Networks and Logistic Regression, with the objective of identifying which one was the most suitable to improve the vocational guidance service aimed at high school students. Vocational guidance has been a global challenge, as many young people were unclear about what career to pursue, often resulting in wrong decisions and later regrets. Through the IEPPO vocational test, students' responses were assessed using KDD methodology. The models were trained and evaluated using Python, using metrics such as accuracy, precision, and recall. The results indicated that the Decision Tree model was the most effective, achieving an accuracy of 99.82%, precision of 99.83% and recall of 99.82%, outperforming Neural Networks and Logistic Regression. These findings highlighted the ability of the Decision Tree to improve the vocational guidance process, providing an accurate and reliable tool to guide students in their career choice
Evaluation of mortars with calcium oxide and hydrated calcium sulfate for masonry joints
Get PDF El uso de cal y yeso en morteros es crucial para el desempeño mecánico de edificaciones tradicionales. El objetivo fué evaluar la influencia del óxido de calcio y sulfato de calcio hidratado en la resistencia a la compresión, el tipo de fisuración y la densidad del mortero utilizado para uniones en mampostería. Se elaboraron 21 briquetas con siete tratamientos: T1 (Testigo), T2-T4 con dosificaciones de óxido de calcio y T5-T7 con sulfato de calcio hidratado, mezclados con cemento y arena en relación de 1:5 (v/v). los resultados mostraron que la resistencia a la compresión en T5 superó a T1. Los tratamientos T1, T2 y T5 presentaron fisuración cónica en 100%. La densidad fue mayor en T4, seguido por T1 y T5. La adición de sulfato de calcio hidratado mejora la resistencia a la compresión y en cuanto a la fisuración columnar y por corte se debe a imperfecciones en los materiales. Se demostró que el sulfato de calcio hidratado aumenta la resistencia a la compresión del mortero alcanzando 144.47 kg/cm² en comparación con 139.87 kg/cm² del testigo, pero una adición excesiva reduce la resistencia. Estas dosificaciones también influyen en el tipo de fisuración, sin embargo, no afectan significativamente la densidad.The use of lime and gypsum in mortars is crucial for the mechanical performance of traditional buildings. The objective was to evaluate the influence of calcium oxide and hydrated calcium sulfate on the compressive strength, type of cracking, and density of mortar used for masonry joints. Twenty-one briquettes were prepared with seven treatments: T1 (Control), T2-T4 with calcium oxide dosages, and T5-T7 with hydrated calcium sulfate, mixed with cement and sand in a 1:5 (v/v) ratio. The results showed that the compressive strength in T5 exceeded that of T1. Treatments T1, T2, and T5 exhibited conical cracking in 100% of samples. The density was highest in T4, followed by T1 and T5. The addition of hydrated calcium sulfate improves compressive strength, and conical and shear cracking are due to material imperfections. It was demonstrated that hydrated calcium sulfate increases the compressive strength of mortar to 144.47 kg/cm² compared to 139.87 kg/cm² for the control, but excessive addition reduces strength. These dosages also influence the type of cracking; however, they do not significantly affect density
Sentiment analysis with NLP in academic tutoring: vocation as a factor for improvement in academic performance
No full textLas tutorías en la Escuela Profesional de Ingeniería Informática y Sistemas de la Universidad Nacional Micaela Bastidas de Apurímac (UNAMBA), obedecen a una estructura desplegada en toda la universidad, el cual evalúa y busca fortalecer cuatro factores o variables, entre ellas la vocación y el rendimiento académico los cuales son más afines a los docentes, ya que las otras están más ligadas a las ciencias de la salud mental como la psicología, y el área de personal social, es así que en esta investigación se priorizan dos variables desde un diagnóstico general, así como de una evaluación de datos adquiridos de los tutorados desde la aplicación de librerías de Inteligencia Artificial (IA) que miden el sentimiento utilizando el procesamiento del lenguaje natural (NLP).The tutoring program at the Professional School of Computer Science and Systems Engineering of the National University Micaela Bastidas of Apurímac (UNAMBA) follows a structure implemented throughout the university, which evaluates and aims to strengthen four factors or variables. Among these, vocation and academic performance are more closely related to the teachers, while the others are more linked to mental health sciences such as psychology the social personnel area. Therefore, this research prioritizes two variables based on a general diagnosis, as well as an evaluation of data acquired from the tutored students using Artificial Intelligence (AI) libraries that measure sentiment through natural language processing (NLP). 
Analysis of healthy housing with Artificial Intelligence in the periurban area of Jayllihuaya Puno – 2023
Get PDFLa tendencia actual en la construcción de viviendas en la zona periurbana de Jayllihuaya es creciente, se observó que el terreno de la zona es estable, carente de humedad y con escasa presencia de antenas de emisión electromagnética. El estudio buscó establecer vínculo entre la inteligencia artificial y las viviendas saludables utilizando modelos de clasificación supervisada. Las características analizadas de las viviendas estuvieron relacionadas con el acceso a los servicios básicos, iluminación, contaminación acústica, material predominante de la vivienda, combustible utilizado en la cocina y acceso a la tecnología. La información sobre las viviendas se recolectó mediante encuestas de preguntas cerradas, procesadas posteriormente con la finalidad de predecir mediante modelos de algoritmos de clasificación. Los resultados mostraron que el modelo de algoritmo máquinas de vectores de soporte (SVM) logró clasificar correctamente las viviendas con una precisión de 82%, los modelos de algoritmos de k-vecinos más cercanos (KNN) y los bosques aleatorios (RF) alcanzaron una precisión de 82% y 86.3% respectivamente, con la particularidad que los dos últimos, no lograron clasificar las viviendas consideradas saludables. Estas precisiones alcanzadas evidencian que para clasificar viviendas en saludables y no saludables es mejor utilizar modelos basados en SVM.The current trend in the construction of housing in the peri-urban area of Jayllihuaya is growing, it was observed that the terrain in the area is stable, devoid of humidity and with little presence of electromagnetic emission antennas. The study sought to establish a relationship between artificial intelligence and homes considered healthy, using supervised classification models. The analyzed characteristics of the homes were related to access to basic services, lighting, noise pollution, predominant material of the home, fuel used in cooking and access to technology. The information about the homes was collected through surveys with closed questions, subsequently processed with the purpose of predicting using classification algorithm models. The results showed that the support vector machines (SVM) algorithm model managed to correctly classify the homes with an accuracy of 82%, the k-nearest neighbors (KNN) algorithm models and the random forests (RF) achieved a accuracy of 82% and 86.3% respectively, with the particularity that the last two failed to classify the homes considered healthy. These precisions achieved show that to classify homes as healthy and unhealthy it is better to use models based on SVM
Aplicación de (AHP) Análisis Jerárquico Multicriterio para el Análisis de Adquisición de una Termobalanza
Get PDFDecision making is essential throughout life and this depends on the success or failure of the actions or responses taken when difficulty arises, for which the tool AHP (Analytic Hierarchy Process) is a discrete multicriteria method that considers qualitative and quantitative aspects. The tool was considered in this project to analyze the decision of acquiring a thermobalance for an educational institution’s academic activities. The purchasing department took into account the users’ needs and considerations from experts based on functionality. For this reason, the method gave us the best decision.La toma de decisiones es esencial a lo largo de la vida y de ella depende el éxito o fracaso de las acciones o respuestas tomadas al presentarse la dificultad, por lo que la herramienta AHP (Analytic Hierarchy Process) es un método multicriterio discreto que considera aspectos cualitativos y cuantitativos, en este trabajo se consideró esta herramienta para analizar la decisión de adquirir una termobalanza para actividades académicas de una institución educativa, el departamento de compras tomó en cuenta las necesidades de los usuarios, consideraciones de expertos en base a la funcionalidad, por tal motivo el método nos dio la mejor decisión
Modelo de Redes Neuronales Convolucionales para detectar enfermedades en las hojas del cultivo de Quinua (Chenopodium quinoa) en el Centro Agronómico K’ayra, San Jeronimo, Cusco 2023
Get PDFIn the world, crop diseases are the main cause of reduction in production quality. These diseases affect quinoa crops and a large amount of economic losses occur each year. It is essential to identify these diseases at an early stage to increase production. A visual inspection is the most common method to identify diseases, these errors are common through visual inspection. Time is a key factor in disease detection and requires experience. This study shows how image recognition can be used for disease detection. This work consisted of collecting a data set of images for leaf spot 1,120 images, for bacterial spot 850 images, for downy mildew 896 images and 1,090 healthy images for a total of 3,956 images of quinoa leaves from the K'ayra agronomic center in the Leticia sector, San Jeronimo, Cusco, Peru, of which 70% were considered for training, 20% for validation and 10% for testing. The proposed model worked correctly with an accuracy of 89.498%, which will allow quinoa farmers to detect diseases early, hopefully leading to an increase in quinoa production worldwide.En el mundo las enfermedades en los cultivos son la principal causa de reducción en la calidad de producción. Estas enfermedades afectan a los cultivos de quinua y cada año se producen una gran cantidad de pérdidas económicas. Es esencial identificar estas enfermedades a una etapa temprana para aumentar su producción. Una inspección visual es el método más común para identificar enfermedades, estos errores son comunes a través de la inspección visual. El tiempo es un factor clave para la detección de enfermedades y requiere de experiencia. Este estudio muestra cómo se puede utilizar el reconocimiento de imágenes para la detección de enfermedades. Este trabajo consistió en recolectar un conjunto de datos de imágenes para Mancha Foliar 1,120 imágenes, para Mancha Bacteriana 850 imágenes, para Mildiu 896 imágenes y 1,090 imágenes de sanas consta un total de 3,956 imágenes de las hojas de quinua del centro agronómico de K'ayra en el sector Leticia, San Jeronimo, Cusco del Perú, de los cuales se consideraron un 70% para entrenamiento, un 20% para validación y un 10% para pruebas. El modelo propuesto funcionó correctamente con una precisión 89.498%, lo cual permitirá a los agricultores de la quinua detectar tempranamente las enfermedades, esperando que conduzca a un aumento de la producción de la quinua en todo el mundo
Determination of heavy metal contamination in the surface sediments of the Antabamba River sub-basin in a medium-term period
No full textLa investigación aborda el grave problema ambiental de la contaminación por metales pesados en los sedimentos superficiales de la subcuenca del río Antabamba, causado por actividades mineras, antropogénicas o procesos naturales. El objetivo principal es determinar la influencia de la contaminación por metales pesados en los sedimentos superficiales de la subcuenca del río Antabamba permite predecir la calidad ambiental durante un período de mediano plazo aplicando aprendizaje automático, analizando concentraciones de metales como del cromo, y considerando los estándares de calidad vigentes. Con un enfoque aplicativo y diseño experimental correlacional, se recolectaron y analizaron 28 muestras de sedimentos en 14 estaciones. El uso de algoritmos de aprendizaje automático permite predecir los límites permisibles de contaminación con el 75% de precisión, proporcionando datos clave para la gestión ambiental por meses. Los resultados subrayan la necesidad de implementar medidas de control y el cumplimiento normativo para reducir los impactos a corto y mediano plazo, y destacan la importancia de aplicar nuevos métodos para optimizar los pronósticos y futuras investigaciones The research addresses the serious environmental problem of heavy metal contamination in the surface sediments of the Antabamba River sub-basin, caused by mining, anthropogenic activities or natural processes. The main objective is to determine the influence of heavy metal contamination in the surface sediments of the Antabamba River sub-basin to predict environmental quality over a medium-term period by applying machine learning, analyzing concentrations of metals such as chromium, and considering the standards. current quality standards. With an applicative approach and correlational experimental design, 28 sediment samples were collected and analyzed at 14 stations. The use of machine learning algorithms makes it possible to predict permissible pollution limits with 75% accuracy, providing key data for environmental management and mitigation strategies for months. The results underline the need to implement regulatory control and compliance to reduce short- and medium-term impacts, and highlight the importance of applying new methods to optimize forecasts and future researc