1. Universidad Autonoma del Estado de Hidalgo
  2. Tesis
  3. Tesis de Licenciatura
Por favor, use este identificador para citar o enlazar este ítem: http://dgsa.uaeh.edu.mx:8080/handle/231104/7364
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.contributor.authorArrieta González, Paola-
dc.date.accessioned2026-01-20T14:51:04Z-
dc.date.available2026-01-20T14:51:04Z-
dc.date.issued2025-12-08-
dc.identifier.govdocIBIO .16614 2025-
dc.identifier.otherATD1410-
dc.identifier.urihttp://dgsa.uaeh.edu.mx:8080/bibliotecadigital/handle/231104/7364-
dc.descriptionLa presente investigación aborda la creciente necesidad de optimizar los bioprocesos en la economía mediante la propuesta y el desarrollo de un sistema automatizado de visión por computadora. Este sistema se enfoca en el monitoreo en tiempo real de un consorcio microbiano fotosintético de alto valor agronómico: la cianobacteria Nostoc sp. (biofertilizante, fijador de N2) y la microalga Scenedesmus sp. (bioestimulante). La justificación de este consorcio radica en su sinergia funcional y ecológica, ya que Nostoc reduce la dependencia de fertilizantes sintéticos, mientras que Scenedesmus enriquece el medio con metabolitos promotores del desarrollo vegetal. El componente central de la metodología propuesta es el entrenamiento de una Red Neuronal Convolucional (CNN) de última generación, específicamente la arquitectura You Only Look Once versión 8 (YOLOv8). Además, se apoya en el uso estratégico de la plataforma Roboflow para la gestión eficiente del dataset (aproximadamente 1000 imágenes microscópicas), que incluye la clasificación, etiquetado y procesamiento avanzado. El algoritmo permitió un diagnóstico preliminar en tiempo real como una medición in line de la identificación del tipo de microrganismo en el fotobiorerreactor. Esta primera fase preliminar es la base para el desarrollo de un modelo que permita monitorear parámetros críticos como el conteo preciso de heterocistos en Nostoc, un indicador directo de la actividad de fijación de nitrógeno, y los cambios citológicos en Scenedesmus, que señalan la fase de crecimiento celular óptima. El enfoque con YOLOv8 mostró ser una alternativa de alto rendimiento, escalable y bajo costo frente a las metodologías convencionales de identificación morfológica. La validación rigurosa del modelo a través de la matriz de confusión y métricas de precisión demostrará la fiabilidad del sistema para la optimización de bioprocesos, asegurando un producto de calidad superior y promoviendo la transición hacia sistemas agrícolas más sostenibles. Esta capacidad de control avanzado es crucial para maximizar la concentración de compuestos bioactivos y el rendimiento productivo en fotobiorreactores.es_ES
dc.language.isoeses_ES
dc.publisherEscSupApan-BD-UAEHes_ES
dc.subjectIAes_ES
dc.subjectYOLOV8es_ES
dc.subjectScenedesmus spes_ES
dc.subjectNostoc spes_ES
dc.subjectRedes neuronales convolucionaleses_ES
dc.subjectIngeniería en Biociencias.es_ES
dc.titleImplementación de inteligencia artificial (YOLOv8) para la Identificación morfológica de Scenedesmus sp. y Nostoc sp.es_ES
dc.title.alternativeIngeniería en Biociencias.es_ES
dc.typeTesises_ES
Aparece en las colecciones: Tesis de Licenciatura

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
ATD1410.pdf2.23 MBAdobe PDFVisualizar/Abrir
Mostrar el registro sencillo del ítem


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.