Maestría en Ingeniería Agrícola y Uso Integral del Agua

Permanent URI for this collection

https://repositorio.chapingo.edu.mx/handle/20.500.12098/942

El posgrado hace énfasis en una sólida formación analítica, lógica y matemática de sus estudiantes, para proponer soluciones formales a problemas del campo mediante la aplicación de métodos estadísticos, modelos matemáticos e inteligencia artificial.

Browse

Browsing Maestría en Ingeniería Agrícola y Uso Integral del Agua by Author "Chávez Aguilera, Noel"
  • Item
    Desarrollo de un sistema de siembra para un vehículo autónomo
    (Universidad Autónoma Chapingo, 2020-11) García Hernández, Raúl Vidal ; Velázquez López, Noé ; Cruz Meza, Pedro ; Chávez Aguilera, Noel
    Este trabajo se enfocó en el desarrollo de una sembradora con dosificación autónoma y registro de semillas de maíz depositadas al suelo. Las funciones principales fueron: a) cortar la maleza y abrir el suelo, b) dosificar la semilla a distancias de 10 a 30 cm y c) regular la profundidad de siembra de cinco a diez cm. La solución óptima fue un sistema independiente con enganche pivotante al vehículo autónomo y dosificador mecánico de plato vertical. Se utilizaron dos motores eléctricos uno para accionar el cortador del suelo y otro para girar el dosificador. También se agregó una rueda de control de profundidad. La sembradora se instrumentó con un encoder incremental para medir la distancia y con un sensor óptico para conteo y detección de la caída de semillas. Todo se controló con una tarjeta Arduino ATmega 2560; programado para dosificar a cada 13 cm y una profundidad de siembra de 5 a 10 cm. El conjunto robot-sembradora se comportó estable con el sistema de visión artificial, el cual identifica dos líneas y se dirige por el centro de gravedad hasta terminar el surco y así girar mediante la función remota en la cabecera. Por lo que, para labranza tradicional (LT) se obtuvo un promedio de distancia entre semillas de 16 cm y para labranza sin rastrojo (LSR) se obtuvo una distancia entre semillas de 12.5 cm, esto indica que la sembradora tiene mejor funcionamiento en LSR. El dispositivo pesa 10 kg, el vehículo autónomo no tiene problemas en campo con la fuerza de tracción requerida y con ello se logró una dosificación variable de semillas de manera controlada y predefinida.
  • Item
    Estimación de biomasa de maíz forrajero a partir de imágenes de drones y aprendizaje profundo
    (Universidad Autónoma Chapingo, 2023-11) Muñoz Bustos, Francisco ; López Canteñs, Gilberto de Jesús ; López Cruz, Irineo Lorenzo ; Chávez Aguilera, Noel
    El maíz (Zea mays L.) forrajero es uno de los componentes fundamentales en la alimentación del ganado, por lo que se requiere cuantificar la cantidad de materia verde que se puede cosechar en campo para establecer estrategias de ensilado. En la actualidad, la cuantificación de la materia verde se hace utilizando métodos tradicionales, que no consideran la variabilidad del cultivo, son destructivos y tardados, debido a lo anterior se propone una metodología para estimar biomasa verde de maíz a partir de imágenes multiespectrales de alta resolución y un modelo predictivo basado en una red neuronal artificial (RNA). Para ello, se tomaron 80 muestras georreferenciadas, cada una en un área de medio metro cuadrado obteniéndose las alturas y el peso promedio de las plantas; además se generaron las ortoimágenes del área de cultivo a partir del vuelo del dron Mavic 3M, para el cálculo de los siguientes índices de vegetación NDVI, EVI, GNDVI, WDRVI, CIre, RVI, SAVI, VARI, RGBVI, NGRDVI, ExG, al igual que las bandas R, G, B y el índice de área foliar (LAI). Posteriormente, se obtuvo la matriz de correlación y se aplicó el algoritmo de componentes principales generando una base de datos con seis componentes principales, que se normalizó y se dividió aleatoriamente en entrenamiento con el 90% de los datos y el restante 10% en prueba de la RNA, se generó un modelo predictivo basado en un perceptrón multicapa con las siguientes características, dos capas ocultas con 30 y 5 neuronas respectivamente, con funciones de activación tangente hiperbólica, la capa de salida con una neurona, con función de activación lineal, dicho modelo mostró un buen ajuste entre la biomasa real y la estimada, con un 𝑅 2= 92.9% y un error absoluto medio del rendimiento de 0.3 kg m-1 .