Reúne las tesis de grado https://hdl.handle.net/20.500.12008/26 2026-07-05T17:50:31Z 2026-07-05T17:50:31Z Bocchiardo Miguez, Domingo Mateo Stefanoli Ortiz, Gianfranco Caton González Núñez, Cristian https://hdl.handle.net/20.500.12008/55758 2026-06-26T16:57:48Z 2026-01-01T00:00:00Z

Título: Identificación de malezas mediante el procesamiento de imágenes multiespectrales Autor: Bocchiardo Miguez, Domingo Mateo; Stefanoli Ortiz, Gianfranco Caton; González Núñez, Cristian Resumen: Las malezas constituyen una amenaza importante para la productividad agrícola por su competencia con los cultivos y por el aumento de poblaciones resistentes a herbicidas. En particular, la yerba carnicera (Conyza spp.) representa un problema relevante en sistemas productivos nacionales. En este contexto, las imágenes multiespectrales capturadas desde vehículos aéreos no tripulados (UAV) ofrecen una alternativa promisoria para apoyar estrategias de detección y manejo sitio-específico de malezas. Sin embargo, la disponibilidad de datasets multiespectrales adquiridos con UAV para detección de malezas es todavía limitada a nivel internacional, y más aún para malezas, cultivos y condiciones de suelo representativas de Uruguay. Este trabajo aborda la construcción de un dataset multiespectral para detección de malezas en cultivos nacionales a partir de capturas realizadas con UAV, una tarea especialmente desafiante por la alta resolución de las imágenes, la necesidad de calibración radiométrica y la alineación precisa entre bandas espectrales. Se definió un flujo reproducible de preprocesamiento radiométrico y geométrico, se establecieron criterios consistentes de etiquetado y se realizó una caracterización estadística del conjunto final. El dataset obtenido contiene 500 imágenes multiespectrales etiquetadas manualmente y 6459 instancias distribuidas en tres clases morfológicas: plántula, roseta y dentada. El dataset fue evaluado mediante segmentación de instancias con YOLOv8-sseg y segmentación semántica con U-Net, comparando distintas configuraciones espectrales de entrada. Los resultados muestran que la incorporación de información multiespectral mejora el desempeño respecto de la línea base RGB, y que la configuración RGB + NIR fue la más robusta en ambas tareas. En particular, alcanzó un Mask mAP50-95 de 0,598 en segmentación de instancias y un Dice de 0,870 con IoU de 0,842 en segmentación semántica. En conjunto, estos resultados indican que el dataset construido es adecuado para entrenar modelos de detección de malezas en condiciones de campo reales, y que en las condiciones evaluadas la inclusión de la banda NIR sobre la línea base RGB resultó en el mejor desempeño para la identificación de Conyza spp.

2026-01-01T00:00:00Z Lorier Arismendi, Juan Pablo Rubio Mata, Martín https://hdl.handle.net/20.500.12008/55724 2026-06-25T18:33:02Z 2016-01-01T00:00:00Z

Título: Detección automática de mastitis bovina Autor: Lorier Arismendi, Juan Pablo; Rubio Mata, Martín Resumen: En Uruguay, la lechería es una de las actividades agropecuarias de mayor relevancia económica. De los factores que afectan la producción lechera, la inflamación de las mamas (en adelante mastitis) es el de mayor incidencia en términos económicos y de prevalencia. Esta patología provoca pérdidas económicas al disminuir sustancialmente la producción de la vaca infectada, baja la calidad de la leche producida lo que genera un decremento en el precio por litro y aumentando los costos asociados al tratamiento veterinario necesario para el animal. El método más utilizado en Uruguay para la detección de la mastitis es el California Mastitis Test (en adelante CMT), que por su forma de empleo y necesidad de intervención de personal capacitado generalmente no logra detectar la enfermedad hasta estadios cercanos al clínico. El presente trabajo propone aplicar un método de detección mediante la medición de la conductividad eléctrica de la leche, para lo cual se pretende desarrollar un dispositivo medidor y un software de gestión asociado. Este método pretende mejorar la detección eliminando el factor de error de subjetividad y aumentando los niveles de sensibilidad y especificidad (que son la capacidad de la prueba de detectar casos positivos y negativos respectivamente en forma correcta) respecto del CMT de forma de poder hacer la detección en su estado subclínico lo más tempranamente posible. Para este fin, se combinan distintas técnicas de eliminación de errores y multi-muestreo de cada pezón de la vaca (en adelante cuarto). El dispositivo a diseñar debe contar con un sensor de electroconductividad para medir las muestras, identificar la vaca muestreada, enviar los datos al software de gestión y permitir la interacción con el usuario. Se requiere también diseñar un portal que permita la gestión, consultas y estadísticas y cumpla la función de almacenar los datos recolectados. Durante el desarrollo del proyecto, se logró construir un prototipo funcional que cumple con todas las premisas planteadas lo que permite concluir que es viable emplear esta metodología en forma eficaz y eficientemente como solución de la problemática planteada.

2016-01-01T00:00:00Z Fernández, Mathías Pedro, Fernando https://hdl.handle.net/20.500.12008/55717 2026-06-25T18:31:39Z 2016-01-01T00:00:00Z

Título: SIURE : Sistema Único de Receta Electrónica Autor: Fernández, Mathías; Pedro, Fernando Descripción: Trabajo realizado en colaboración con la Escuela Universitaria de Tecnología Médica (EUTM) con la participación de Natalia De León, Stephanie Peluffo y Valeria Silvera bajo la guía de la Prof Saadia Zawadski, Directora de la Licenciatura en registros Médicos, en la modalidad de PIRIM - Proyecto Interdisciplinario de Registros Informáticos Médicos.

2016-01-01T00:00:00Z Carozzi, Lucía Curi, María Eugenia https://hdl.handle.net/20.500.12008/55672 2026-06-23T18:26:48Z 2016-01-01T00:00:00Z

Título: Resolución del problema de clustering utilizando algoritmos evolutivos Autor: Carozzi, Lucía; Curi, María Eugenia Resumen: Este proyecto estudia el problema de clustering, donde se busca encontrar una agrupación óptima de elementos. Se analizan dos variantes del problema: una variante monoobjetivo donde se busca maximizar la sumatoria de las similitudes de los elementos al centro del grupo al que pertenecen y una variante multiobjetivo del problema, donde además de maximizar la sumatoria de las similitudes, se plantea minimizar simultáneamente la cantidad de grupos. Se implementan doce algoritmos evolutivos diferentes para la variante monoobjetivo del problema y un algoritmo evolutivo para la variante multiobjetivo del problema. Los algoritmos evolutivos implementados son evaluados utilizando un conjunto de instancias, dos de ellas generadas por colegas de la Universidad de Luxemburgo y once obtenidas de un repositorio público con instancias de pruebas específicas para el problema de clustering. Los resultados experimentales muestran que para la variante monoobjetivo del problema, los algoritmos evolutivos implementados alcanzan mejoras de hasta un 156.2% respecto a una estrategia ávida que resuelve el mismo problema. En relación al algoritmo de referencia de la literatura relacionada, se alcanzan mejoras de hasta un 9.5 %. Para la variante multiobjetivo del problema, los resultados experimentales muestran que el algoritmo evolutivo implementado logra mejorar hasta un 31.4% el mejor resultado del algoritmo de referencia para igual cantidad de grupos. El algoritmo evolutivo que resuelve la variante monoobjetivo obtiene resultados un 2% en promedio por encima de los resultados obtenidos por el algoritmo evolutivo en su variante multiobjetivo, considerando que el primero es un algoritmo específico para encontrar una agrupación optima dada una cantidad de grupos.; This project studies the clustering problem, where the goal is to organize information by grouping individuals. Two different variants of the problem are studied: a single objective variant with the goal of maximizing the sum of the similarities between the elements and the center of the group to which they belong to and a multiobjective variant, which proposes the simultaneous minimization of the number of groups. Twelve different evolutionary algorithms are implemented for the single objective variant of the problem and one evolutionary algorithm is implemented for the multiobjective problem variant. The evolutionary algorithms implemented are evaluated using a set of instances, two of them generated by colleagues from the University of Luxembourg and eleven obtained from a public repository with speci c instances for the clustering problem. The experimental results show that the evolutionary algorithms developed for the single objective variant of the problem are able to improve up to 156.2% upon the results reached using a greedy algorithm. While regarding a reference algorithm from the literature, improvements of up to 9.5% are achieved. Regarding the multiobjective variant of the problem, the experimental results show that the evolutionary algorithms are able to obtain solutions that improve up to 31.42% over the best result of the reference algorithm for the same amount of groups. The evolutionary algorithm that solves the single objective variant of the problem obtained results 2% on average above the results obtained by the evolutionary algorithm in its multi objective variant, where the rst one is a speci fic algorithm aimed at nding an optimal grouping when a number of groups are given.

2016-01-01T00:00:00Z