La tesis expuesta abarca la elaboración de un sistema de registro para imágenes que fueron tomadas por un aeromodelo sobre un campo de cultivo de papa, el cual es parte de un ambicioso proyecto de agricultura de precisión que actualmente se esta realizando el CIP (Centro Internacional de la Papa) y la PUCP. Dicho sistema generará un mosaico con las imágenes obtenidas en los espectros infrarrojo y rojo visible que posteriormente serán procesadas para obtener mapas de productividad, los cuales brindan información espacial detallada acerca la zona de cultivo con el objetivo de reducir el consumo innecesario y el impacto ambiental. En el primer capítulo se expondrá el estado del arte del proyecto a nivel global, posteriormente a nivel local y nalmente se analizarán las necesidades, las cuales enmarcan el objetivo del presente estudio. En el segundo capítulo se exponen las tecnologías vigentes para la solución del problema, considerando ventajas y desventajas se seleccionará la más e ciente que cumpla con las especi caciones y los objetivos para solucionar el problema propuesto. En el tercer capítulo se dará fundamento teórico a la solución propuesta y se detallará la implementación. Finalmente en el cuarto capítulo se someterá al algoritmo a diversas pruebas usando imágenes con cambios en el punto de vista, cambios de escala, desenfoque, compresión JPEG e iluminación.

El análisis de muestras de TBC con el uso de la baciloscopía requiere de largos periodos de tiempo en la medida que se desee obtener un diagnóstico más certero sobre la lectura de la muestra. Pese a que este análisis es llevado a cabo por personal calificado, los largos periodos lo convierten en un método tedioso debido a las posturas estáticas prolongadas que generan estrés en el operario, además de un esfuerzo visual prolongado mientras se examina la muestra. El presente proyecto de tesis tiene como objetivo principal reducir el tiempo dedicado al análisis de muestras tomando como referencia el trabajo realizado en el laboratorio de microbiología del Hospital Dos de Mayo, en la ciudad de Lima, en donde se documentó un tiempo de análisis que fluctúa entre 20 minutos y 2 horas (para 300 campos observados) dependiendo de la pericia del operario y de la dificultad para hallar bacilos en la muestra. Se propone una solución mediante el diseño e implementación de un sistema automatizado para la adquisición de imágenes en el microscopio usado en el laboratorio en mención. La presente tesis desarrolla el hardware necesario para la automatización del microscopio, desde el acondicionamiento de la planta para la implementación de motores que permitan su operación, hasta el diseño de una interfaz de comunicación que permita la recepción de comandos y el acondicionamiento de la señal de control para el accionamiento de los motores, haciendo el uso del puerto serial de una PC. Realizada la implementación se verificó la operatividad del hardware diseñado obteniéndose tiempos de análisis alrededor de 13.25 minutos para 300 campos analizados, menor al tiempo realizado por un técnico de laboratorio para la misma cantidad de campos. Con el sistema implementado como lazo abierto, ya que no cuenta con una lectura del giro del motor, se obtuvieron errores en el posicionamiento de la muestra que equivalen a la distancia entre 2 campos en la muestra. Pese a este error obtenido, el sistema podría ser implementado para el análisis de baciloscopía ya que este no requiere de mucha precisión en el posicionamiento.

Climate change and migration of population from rural to urban areas are affecting the agricultural production around the world. This study was based in the particular department of Ancash - Peru where corn is one of the most important crops of the region. Authorities in this region are concerned in finding a method, different from census; that can constantly monitor corn crops areas. This data is important to evaluate how these two causes will impact on food security in Ancash. The first part of the present thesis reviews the current techniques in the recognition of crop areas using remote sensing and multispectral images. The second part explains the methodology developed for this study, considering the data acquisition using Unmanned Aircraft Systems, the preparation of the acquired data and two deep learning model approaches. The first approach is based on binary classification of corn patches using Le Net model with near infrared images. The second one describes the segmentation of corn areas in different stages using the U-net model, in this case five band images were considered. The third part shows the results of both approaches. From these results it is concluded that training a model with data from different stages and scenarios of two campaigns (2016 and 2017) can achieve a 95% of accuracy in corn segmentation. / Tesis