• Repositorio Institucional Universidad de Pamplona
  • Tesis de maestría y doctorado
  • Facultad de Ingenierías y Arquitectura
  • Maestría en Controles Industriales
    • Por favor, use este identificador para citar o enlazar este ítem: http://repositoriodspace.unipamplona.edu.co/jspui/handle/20.500.12744/3202
    Registro completo de metadatos
    Campo DC Valor Lengua/Idioma
    dc.contributor.authorCastro Maldonado, Jhon Jairo.-
    dc.date.accessioned2022-09-30T13:44:05Z-
    dc.date.available2018-12-21-
    dc.date.available2022-09-30T13:44:05Z-
    dc.date.issued2019-
    dc.identifier.citationCastro Maldonado, J. J. (2018). Diseño de un sistema de visión artificial de bajo coste para el control fitosanitario de cultivos de Lulo [Trabajo de Grado Maestría, Universidad de Pamplona]. Repositorio Hulago Universidad de Pamplona. http://repositoriodspace.unipamplona.edu.co/jspui/handle/20.500.12744/3202es_CO
    dc.identifier.urihttp://repositoriodspace.unipamplona.edu.co/jspui/handle/20.500.12744/3202-
    dc.descriptionEl presente trabajo de investigación se enmarca en el área de instrumentación y sensórica específicamente en la visión artificial o por computador, enfocando su aplicación hacia el reconocimiento de patrones para identificar señales visuales que generan algunos factores fitopatógenos de los cultivos de lulo. Los sistemas tradicionales de producción tratan las propiedades agrícolas y al cultivo en general, de forma homogénea, tomando como base las condiciones promedio de las extensas áreas de producción, para implementar las acciones correctivas o preventivas de los factores identificados. Con el fin, de obtener unos sistemas de producción más competitivos y aumentar la eficiencia agronómica del sector productivo, se incorporaron nuevas técnicas para incrementar y/o mantener la productividad de los cultivos, buscando, al mismo tiempo, reducir los costos de producción. En ese contexto, la optimización en la detección y ubicación temprana de los factores fitopatógenos que se puedan presentar, es una alternativa importante ya que establece una manera diferenciadora en el manejo del sistema de producción, buscando promover la estabilidad a través de la maximización del retorno económico y preservando el medio ambiente aplicando tecnologías de punta que reduzcan y optimicen los tiempos de inspección [1]. La investigación, se basa en las áreas de visión artificial y reconocimiento de patrones implementado en procesos de agricultura. Con el fin, de desarrollar metodologías, sistemas y/o prototipos que contribuyan a optimizar recursos (humanos, económicos y tecnológicos) en el sector agro y específicamente en las agroindustrias cultivadoras de lulo en Antioquia. El lulo, Solanum quitoense Lam, es el tercer cultivo de mayor relevancia en la población campesina antioqueña, debido a que representa el 1,7% de la producción anual de frutas en Colombia, en este sentido se hace necesario, implementar estrategias novedosas y eficaces que permitan la identificación de algunos fitopatógenos que puedan afectar la producción del cultivo, uno de los más relevantes es la alternaría Nees y se evidencia a través de la mancha de la alternaría, esta enfermedad evidencia síntomas como: lesiones redondas de bordes irregulares de color café oscuro o castaño rodeadas de un halo colorítico [2][3][4]. Estas características particulares de algunos fitopatógenos, se pueden aprovechar para incursionar en sistemas de visión artificial que se puedan aplicar a equipos aéreos no tripulados a los que a partir de ahora llamaremos UAS (Unmanned Aerial Systems) y que también se 2 encuentran en la literatura como UAV (Unmanned Aerial Vehicle) y normalmente llamados DRONE [5][6]. La visión por computador o artificial es uno de los campos de la inteligencia artificial, en el que se busca por medio de lenguajes de programación, que un procesador sea capaz de identificar y realizar ciertas ordenes desde el reconocimiento de ciertas características de imágenes tomadas vías fotografía o a través de video [5]. Los sistemas de visión artificial se componen de una fuente de luz que puede ser artificial o natural dependiendo de la aplicación, un sensor de imagen como puede ser una cámara fotográfica o de video, que captura las imágenes que luego se van a procesar, una tarjeta de adquisición de imágenes, como interfaz entre el sensor y el computador o procesador, unos algoritmos de análisis, en los que se procesan, segmentan y se aplican las transformaciones necesarias para obtener los resultados deseados que pueden ser trabajados en múltiples software de procesamiento de imágenes dentro de lo que tenemos las librerías de OpenCV que se trabajan en los software C, C++ y Python, un procesador que analice las imágenes recibidas ejecutando los algoritmos diseñados y un sistema de respuesta en tiempo real que ejecute los comandos [5][6][7][8][9]. Los sistemas de visión artificial de bajo costo desarrollados con sistemas embebidos junto con lo UAS, se consolidan como una de las alternativas más eficaces a la hora de implementar tecnologías de agricultura de precisión, la agricultura de precisión, se puede entender como la implementación de tecnologías o técnicas que optimizan los recursos (humanos, económicos y tecnológicos) en la producción agrícola, con base a ciertos factores o características que pueden ser: variabilidad de características físico-químicas del terreno, condiciones ambientales o características del cultivo en sí [10][11][12]. A través del desarrollo de este trabajo se plantea un sistema de visión artificial de bajo costo para el control fitosanitario de cultivos de lulo usando como base la visión por computador y la inteligencia artificial (IA). Dentro de los principales resultados están, que efectivamente con un hardware y software libre de bajo costo es viable la elaboración de este tipo de sistemas, ya que en este estudio se puede evidenciar que con aplicaciones como Python y las diversas técnicas que en la actualidad se disponen para realizar estrategias de inteligencia artificial es posible identificar señales de presencia de factores fitopatógenos en el cultivo del lulo, ya que este estrategia permite identificar o reconocer patrones a 40 o 60 cm de distancia con una base de entrenamiento entre 200 y 400 imágenes, que es factible para su aplicación en la agricultura y en vehículos aéreos no tripulados como los drones.es_CO
    dc.description.abstractEl autor no proporciona la información sobre este ítem.es_CO
    dc.format.extent150es_CO
    dc.format.mimetypeapplication/pdfes_CO
    dc.language.isoeses_CO
    dc.publisherUniversidad de Pamplona – Facultad de Ingenierías y Arquitectura.es_CO
    dc.subjectEl autor no proporciona la información sobre este ítem.es_CO
    dc.titleDiseño de un sistema de visión artificial de bajo coste para el control fitosanitario de cultivos de Lulo.es_CO
    dc.typehttp://purl.org/coar/resource_type/c_1843es_CO
    dc.date.accepted2018-09-21-
    dc.relation.references[1] J. De Baerdemaeker, Precision Agriculture Technology and Robotics for Good Agricultural Practices, vol. 46, no. 4. IFAC, 2013.es_CO
    dc.relation.references[2] P. Tamayo, R. Navarro, and M. C. de la Rotta, “Enfermedades del cultivo del lulo en Colombia,” Boletín Técnico 9 - CORPOICA, 2001.es_CO
    dc.relation.references[3] et all Rogério dos Santos Alves; Alex Soares de Souza, “Manejo fitosanitario del cultivo del lulo (Solanum quitoense Lam)- Medidas para la temporada invernal,” Igarss 2014, no. 1, pp. 1–5, 2014.es_CO
    dc.relation.references[4] D. MinAgricultura, El Cultivo del Lulo ( Solanum quitoense ) y los efectos del fenómeno del niño en la producción . 2015.es_CO
    dc.relation.references[5] M. M. González Ponce, “Visión por Computador para UAS,” Universidad Politécnica de Madrid, 2012.es_CO
    dc.relation.references[6] J. Torres-Sánnchez, J. M. Peña, A. I. de Castro, and F. López-Granados, “Multi-temporal mapping of the vegetation fraction in early-season wheat fields using images from UAV,” Comput. Electron. Agric., vol. 103, pp. 104–113, 2014.es_CO
    dc.relation.references[7] D. Doering et al., “MDE-based Development of a Multispectral Camera for Precision Agriculture,” IFAC-PapersOnLine, vol. 49, no. 30, pp. 24–29, 2016.es_CO
    dc.relation.references[8] D. Doering et al., Design and optimization of a heterogeneous platform for multiple UAV use in precision agriculture applications, vol. 19, no. 3. IFAC, 2014.es_CO
    dc.relation.references[9] J. Senthilnath, A. Dokania, M. Kandukuri, R. K.N., G. Anand, and S. N. Omkar, “Detection of tomatoes using spectral-spatial methods in remotely sensed RGB images captured by UAV,” Biosyst. Eng., vol. 146, pp. 16–32, 2016.es_CO
    dc.relation.references[10] E. Chartuni, F. De Assis De Carvalho, D. Marçal, and E. Ruz, “Perspectivas Agricultura de precisión Nuevas herramientas para mejorar la gestión tecnológica en la empresa agropecuaria,” 2007.es_CO
    dc.relation.references[11] N. Zhang, M. Wang, and N. Wang, “Precision agriculture—a worldwide overview,” Comput. Electron. Agric., vol. 36, no. 2–3, pp. 113–132, 2002.es_CO
    dc.relation.references[12] Procisur, Manual de agricultura de precisión. 2014.es_CO
    dc.relation.references[13] D. F. Jaramillo and S. Sadeghian, “Spatial Variability of Bases in an Andisol of the Colombian Central Coffee Zone,” Boletín Ciencias la Tierra, no. 33, pp. 111–124, 2013.es_CO
    dc.relation.references[14] J. D. Muñoz, L. J. Martinez, and R. Giraldo, “Variabilidad espacial de propiedades edáficas y su relación con el rendimiento en un cultivo de papa,” Agron. Colomb., vol. 24, no. 2, pp. 355–366, 2006.es_CO
    dc.relation.references[15] J. Rodríguez, A. M. González, F. Rodrigo, and L. Guerrero, “Fertilización por sitio específico en un cultivo de maíz ( Zea mays L .) en la Sabana de Bogotá,” Agron. Colomb., vol. 26, no. 2, pp. 308–321, 2008.es_CO
    dc.relation.references[16] C. andrés Garzón Gutiérrez, C. A. Cortés, and J. H. Camacho Tamayo, “Variabilidad espacial de algunas propiedades quimicas en un entisol,” Rev. UDCA Actual. Divulg. Científica, vol. 13, no. 1, pp. 87–95, 2010.es_CO
    dc.relation.references[17] R. M. Castellanos and M. Morales Pérez, “Análisis crítico sobrela conceptualización de la agricultura de precisión,” Cienc. en su PC, vol. 2, pp. 23–33, 2016.es_CO
    dc.relation.references[18] F. Capraro, S. Tosetti, and F. Vita Serman, “Laboratorio Virtual y Remoto para Simular, Monitorizar y Controlar un Sistema de Riego por Goteo en Olivos,” Rev. Iberoam. Automática e Informática Ind. RIAI, vol. 7, no. 1, pp. 73–84, 2010.es_CO
    dc.relation.references[19] Ó. Orozco Sarasti and G. Llano Ramírez, “Sistemas de Información enfocados en tecnologías de agricultura de precisión y aplicables a la caña de azúcar, una revisión,” Rev. Ing. Univ. Medellín, ISSN 1692-3324, Vol. 15, No . 28, 2016, vol. 15, no. 28, p. 6, 2016.es_CO
    dc.relation.references[20] Congreso de Colombia, “Ley 1753 de 2015 (junio 9) por la cual se expide el Plan Nacional de Desarrollo 2014-2018 ;Todos por un nuevo país,” vol. 2015, no. junio 9, p. 104, 2015.es_CO
    dc.relation.references[21] CONPES, “Conpes 3582,” p. 68, 2009.es_CO
    dc.relation.references[22] Asme V&V 10.1-2012, “An Illustration of the Concepts of Verification and Validation in Computational Solid Mechanics,” 2012.es_CO
    dc.relation.references[23] P. Cruz, K. Acosta, J. R. Cure, and D. Rodriguez, “Desarrollo y fenologia del lulo solanum quitoense var. septentrionale bajo polisombra desde siembra hasta primera fructificacion.,” Agron. Colomb., vol. 25, pp. 288–298, 2007.es_CO
    dc.relation.references[24] C. A. Quinchia, F., Cabrera, “Manual tecnico del cultivo de lulo (Solanum quitoense L) en el departamento del Huila,” p. 34, 2006.es_CO
    dc.relation.references[25] P. C. Robert, “Precision Agriculture: an Information Revolution in Agriculture,” J. Chem. Inf. Model., vol. 53, no. 9, pp. 1689–1699, 1999.es_CO
    dc.relation.references[26] R. Bongiovanni, E. Chartuni Mantovani, S. Best, and Á. Roel, “Agricultura de Presición: Integando Conocimentos para una Agricultura Moderna y Sustentable,” p. 244, 2006.es_CO
    dc.relation.references[27] B. S. Faiçal et al., “An adaptive approach for UAV-based pesticide spraying in dynamic environments,” Comput. Electron. Agric., vol. 138, pp. 210–223, 2017.es_CO
    dc.relation.references[28] R. W. Coates, M. J. Delwiche, A. Broad, and M. Holler, “Wireless sensor network with irrigation valve control,” Comput. Electron. Agric., vol. 96, pp. 13–22, 2013.es_CO
    dc.relation.references[29] J. Gimenez, D. Herrera, S. Tosetti, and R. Carelli, “Optimization methodology to fruit grove mapping in precision agriculture,” Comput. Electron. Agric., vol. 116, pp. 88–100, 2015.es_CO
    dc.relation.references[30] A. G. Mohapatra and S. K. Lenka, “Neural Network Pattern Classification and Weather Dependent Fuzzy Logic Model for Irrigation Control in WSN Based Precision Agriculture,” Phys. Procedia, vol. 78, no. December 2015, pp. 499–506, 2016.es_CO
    dc.relation.references[31] J. Rasmussen, G. Ntakos, J. Nielsen, J. Svensgaard, R. N. Poulsen, and S. Christensen, “Are vegetation indices derived from consumer-grade cameras mounted on UAVs sufficiently reliable for assessing experimental plots?,” Eur. J. Agron., vol. 74, pp. 75–92, 2016.es_CO
    dc.relation.references[32] K. Ribeiro-Gomes, D. Hernandez-Lopez, R. Ballesteros, and M. A. Moreno, “Approximate georeferencing and automatic blurred image detection to reduce the costs of UAV use in environmental and agricultural applications,” Biosyst. Eng., vol. 151, pp. 308–327, 2016.es_CO
    dc.relation.references[33] P. J. Zarco-Tejada, R. Diaz-Varela, V. Angileri, and P. Loudjani, “Tree height quantification using very high resolution imagery acquired from an unmanned aerial vehicle (UAV) and automatic 3D photo-reconstruction methods,” Eur. J. Agron., vol. 55, pp. 89–99, 2014.es_CO
    dc.relation.references[34] J. Gago et al., “UAVs challenge to assess water stress for sustainable agriculture,” Agric. Water Manag., vol. 153, pp. 9–19, 2015.es_CO
    dc.relation.references[35] L. G. Santesteban, S. F. Di Gennaro, A. Herrero-Langreo, C. Miranda, J. B. Royo, and A. Matese, “High-resolution UAV-based thermal imaging to estimate the instantaneous and seasonal variability of plant water status within a vineyard,” Agric. Water Manag., vol. 183, pp. 49–59, 2017.es_CO
    dc.relation.references[36] J. Polo, G. Hornero, C. Duijneveld, A. García, and O. Casas, “Design of a low-cost Wireless Sensor Network with UAV mobile node for agricultural applications,” Comput. Electron. Agric., vol. 119, pp. 19–32, 2015.es_CO
    dc.relation.references[37] J. Torres-Sánchez, F. López-Granados, and J. M. Peña, “An automatic object-based method for optimal thresholding in UAV images: Application for vegetation detection in herbaceous crops,” Comput. Electron. Agric., vol. 114, pp. 43–52, 2015.es_CO
    dc.relation.references[38] X. P. Burgos-Artizzu, A. Ribeiro, and M. De Santos, “Controlador Borroso Multivariable para el Ajuste de Tratamientos en Agricultura de Precisión,” Rev. Iberoam. Automática e Informática Ind. RIAI, vol. 4, no. 2, pp. 64–71, 2007.es_CO
    dc.relation.references[39] K. N. V. P. S. Rajesh and R. Dhuli, “Classification of imbalanced ECG beats using re sampling techniques and AdaBoost ensemble classifier,” Biomed. Signal Process. Control, vol. 41, pp. 242–254, 2018.es_CO
    dc.relation.references40] D. Lozano, C. Arranja, M. Rijo, and L. Mateos, “Simulation of automatic control of an irrigation canal,” Agric. Water Manag., vol. 97, no. 1, pp. 91–100, 2010.es_CO
    dc.relation.references[41] C. Smith and A. Corripio, Control Automatico de Procesos teorica y práctica, 2a ed. 1991.es_CO
    dc.relation.references[42] P. Ponce Cruz, Inteligencia artificial con aplicaciones a la ingenieria, 1a ed. 2010.es_CO
    dc.relation.references[43] M. Santos, “Un enfoque aplicado del control inteligente,” RIAI - Rev. Iberoam. Autom. e Inform. Ind., vol. 8, no. 4, pp. 283–296, 2011.es_CO
    dc.relation.references[44] P. Cano Marchal, J. Gómez Ortega, D. Aguilera Puerto, and J. Gámez García, “Situación actual y perspectivas futuras del control del proceso de elaboración del aceite de oliva virgen,” Rev. Iberoam. Automática e Informática Ind. RIAI, vol. 8, no. 3, pp. 258–269, 2011.es_CO
    dc.relation.references[45] A. K. Torres Galindo, “Development of a multispectral system for precision agriculture applications using embedded devices,” Sist. y Telemática, vol. 13, no. 33, p. 27, 2015.es_CO
    dc.relation.references[46] A. Jimenénez, D. Ravelo, and J. Gómez, “Sistema de adquisición, almacenamiento y análisis de información fenológica para el manejo de plagas y enfermedades de un duraznero mediante tecnologías de agricultura de precisión,” Tecnura, vol. 14, pp. 41–51, 2010.es_CO
    dc.relation.references[47] G. D. De León Mata, A. Pinedo Álvarez, and J. H. Martínez Guerrero, “Aplicación de sensores remotos en el análisis de la fragmentación del paisaje en Cuchillas de la Zarca, México,” Investig. Geogr., vol. 84, no. 84, pp. 42–53, 2014.es_CO
    dc.relation.references[48] F. J. Espinosa-Faller and G. E. Rendón-Rodríguez, “A ZigBee Wireless Sensor Network for Monitoring an Aquaculture Recirculating System,” J. Appl. Res. Technol., vol. 10, no. 3, 2012.es_CO
    dc.relation.references[49] R. S. Sinha, Y. Wei, and S.-H. Hwang, “A survey on LPWA technology: LoRa and NB IoT,” ICT Express, vol. 3, no. 1, pp. 14–21, 2017.es_CO
    dc.relation.references[50] G. Viera-Maza, “Procesamiento de imágenes usando OpenCV aplicado en Raspberry Pi para la clasificación del cacao,” Universidad de Piura, 2017.es_CO
    dc.relation.references[51] BIOS, “Centro de Bioinformática y biología computacional,” Curso de visualización de datos y simulación en salud, 2018. [Online]. Available: https://formacion.bios.co/.es_CO
    dc.relation.references[52] R. C. Gonzalez and R. E. Woods, Digital image processing, 2nd ed. New Jersey, 2008.es_CO
    dc.relation.references[53] D. Silva Montemayor, “Estudio de viabilidad de un sistema basado en Raspberry Pi para aplicaciones de Inspección Industrial por Visión Artificial,” Universidad de Oviedo, 2015.es_CO
    dc.relation.references[54] C. Pérez González, “Deteccion y seguimiento de objetos por colores en una plataforma raspberry pi,” Universidad Politécnica de Madrid, 2016.es_CO
    dc.relation.references[55] D. Betancourt Gualteros, “Sistema De Visión Por Computador Para Detectar Hierba No Deseada En Prototipo De Cultivo De Frijol Usando Ambiente Controlado,” Universidad Católica de Colombia, 2014.es_CO
    dc.relation.references[56] E. Á. Sobrado Malpartida, “Sistema de visión artificial para el reconocimiento y manipulación de objetos utilizando un brazo robot,” Pontificia Universidad Católica del Perú, 2003.es_CO
    dc.relation.references[57] G. van Rossum, “El tutorial de Python,” Python, 2009. [Online]. Available: http://docs.python.org.ar/tutorial/pdfs/TutorialPython2.pdf.es_CO
    dc.relation.references[58] G. Bradski and A. Kaehler, Projection and 3D Vision. 2008.es_CO
    dc.relation.references[59] G. Bradski and A. Kaehler, Learning OpenCV Computer Vision with the OpenCV Library, Primera. O’Reilly, 2008.es_CO
    dc.relation.references[60] V. A. B. Meneses, J. M. Téllez, and D. F. A. Velasquez, “Uso De Drones Para El Analisis De Imágenes Multiespectrales En Agricultura De Precisión,” @limentech, Cienc. y Tecnol. Aliment., vol. 13, no. 1, pp. 28–40, 2015.es_CO
    dc.relation.references[61] C. R. Jiménez Tenorio, “Construcción de un ordenador electrónico vehicular con sistema de seguridad y GPS utilizando RASPBERRY PY y hardware libre,” Universidad Técnica de Ambato, 2015.es_CO
    dc.relation.references[62] D. Garcia Gadea, “Sistema autónomo y de bajo coste para reconocimiento de códigos QR,” Universidad de Alicante, 2016.es_CO
    dc.relation.references[63] Raspberry Pi foundation, “Raspberry PI,” 2018. [Online]. Available: https://www.raspberrypi.org.es_CO
    dc.relation.references[64] O. E. Gualdrón, O. M. Duque Suaréz, and M. A. Chacón Rojas, “Diseño de un sistema de reconocimiento de rostros mediante la hibridación de técnicas de reconocimiento de patrones, visión artificial e IA, enfocado a la seguridad e interacción robótica social,” Univiersidad La Rioja, vol. 6, p. 13, 2013.es_CO
    dc.relation.references[65] CUCOPC, “Raspberry pi – Reconocimiento Facial OpenCV Python #2,” CUCOPC, 2016. [Online]. Available: https://cucopc.es/2016/06/09/raspberry-pi-reconocimiento-facial opencv/.es_CO
    dc.relation.references[66] R. Lienhart, A. Kuranov, and V. Pisarevsky, “Empirical Analysis of Detection Cascades of Boosted Classifiers for Rapid Object Detection,” pp. 297–304, 2003.es_CO
    dc.relation.references[67] P. Viola and M. Jones, “Rapid object detection using a boosted cascade of simple features,” Proc. 2001 IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognition. CVPR 2001, vol. 1, p. I-511-I-518, 2001.es_CO
    dc.relation.references[68] S. Rivera Castaño, D. J. Salas Álvarez, and R. J. Montes Rodríguez, “Identificación de la punta de los dedos de la mano en un plano 2D basado en Kinect,” Gerenc. en Tecnol. 142 Informática, vol. 12, pp. 57–65, 2013.es_CO
    dc.relation.references[69] OpenCV, “OpenCV,” 2018. [Online]. Available: https://docs.opencv.org/2.4/doc/tutorials/imgproc/imgtrans/hough_circle/hough_circle.htmles_CO
    dc.relation.references[70] L. M. Guevara, J. D. Echeverry, and W. Ardila, “Detección de rostros en imágenes digitales usando clasificadores en cascada,” Sci. Tech., vol. XIV, no. 38, pp. 1–6, 2008.es_CO
    dc.relation.references[71] E. E. Avila Romero, “Seguimiento de personas basado en los descriptores HOG,” 2011.es_CO
    dc.relation.references[72] Y. Freund and R. E. Schapire, “A desicion-theoretic generalization of on-line learning and an application to boosting,” J. Comput. Sist. Sci., vol. 139, pp. 23–37, 1995.es_CO
    dc.relation.references[73] M. Rezaei, “Creating a Cascade of Haar-Like Classifiers : Step by Step,” pp. 1–8, 2014.es_CO
    dc.relation.references[74] C. A. Luna, C. Losada-Gutierrez, D. Fuentes-Jimenez, A. Fernandez-Rincon, M. Mazo, and J. Macias-Guarasa, “Robust people detection using depth information from an overhead Time-of-Flight camera,” Expert Syst. Appl., vol. 71, pp. 240–256, 2017es_CO
    dc.rights.accessrightshttp://purl.org/coar/access_right/c_abf2es_CO
    dc.type.coarversionhttp://purl.org/coar/resource_type/c_2df8fbb1es_CO
    Aparece en las colecciones: Maestría en Controles Industriales

    Ficheros en este ítem:
    Fichero Descripción Tamaño Formato  
    Castro_2018_TG.pdfCastro_2018_TG.pdf6,54 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.