Mostrar el registro sencillo del ítem

Algoritmo con IA para planeación de trayectorias de un quadrotor para detección de plagas y estado nutricional de cultivos de Annona Muricata

dc.contributor.advisorRamos Sandoval, Olga Lucia
dc.contributor.authorCastro Vega, Juan Gabriel
dc.date.accessioned2022-03-22T19:39:12Z
dc.date.available2022-03-22T19:39:12Z
dc.date.issued2021-12-17
dc.identifier.urihttp://hdl.handle.net/10654/40391
dc.description.abstractLa agricultura en Colombia juega un papel fundamental en la economía del país, el desarrollo de nuevas técnicas de optimización de los procesos ayuda al crecimiento de este sector. Con la ayuda de nuevas tecnologías y la optimización de los procesos es posible disminuir las perdidas en las cosechas, mejorar la calidad de los productos y generar una mayor rentabilidad a los campesinos. La agricultura de precisión es una tendencia en el mundo, la cual busca aumentar la capacidad de producción y mejorar la calidad de los cultivos, disminuyendo la cantidad de insumos y químicos requeridos. En este documento se trabajó con un Drone Tello Edu para monitorear el estado de un cultivo de Annona Muricata también conocido como guanábana. Para esta tarea se desarrolló un algoritmo con IA para la planeación de trayectorias del quadrotor, con el fin de minimizar la distancia que este debía recorrer en el cultivo por su limitada capacidad y duración de batería. Adicionalmente, se optimizó este recorrido para tener una mayor estabilidad en el vuelo y poder por medio de la cámara abordo tomar fotografías de los frutos. Las fotografías obtenidas fueron procesadas y clasificadas para determinar el estado general del cultivo. Con el propósito de alcanzar el objetivo propuesto se realizó el modelo matemático del quadrotor, el algoritmo de planeación de trayectorias y la optimización de estas. También se realizó un algoritmo para la clasificación de las imágenes, donde se buscaba determinar los frutos que presentaban algún tipo de enfermedad o presencia de plagas, generando así la posibilidad de toma de decisiones de forma efectiva que garanticen el adecuado tratamiento del cultivo. Con este proyecto se logró identificar los principales problemas que afectan a los cultivos de Annona Muricata como lo es la plaga de la “Avispita” y la enfermedad de la antracnosis causada por Colletotrichum spp, además, se desarrolló un sistema de monitoreo para este tipo de cultivos, en el que se optimiza el recorrido que debe realizar un quadrotor para supervisar el cultivo, minimizando la distancia del trayecto. Adicionalmente se logró por medio de algoritmos de inteligencia artificial y técnicas de procesamiento de imágenes clasificar las imágenes de cultivos de Annona Muricata, esta clasificación de imágenes permite identificar frutos las imágenes con una exactitud del 79.4%.spa
dc.description.tableofcontentsTABLA DE CONTENIDO .......................................................................................6 LISTA DE FIGURAS ..............................................................................................8 LISTA DE TABLAS .............................................................................................11 LISTA DE ABREVIATURAS Y SIGNIFICADOS ..................................................12 RESUMEN ...........................................................................................................13 ABSTRACT .........................................................................................................14 1. INTRODUCCIÓN ...........................................................................................15 1.1 OBJETIVO GENERAL ............................................................................ 18 1.1.1 OBJETIVOS ESPECÍFICOS ................................................................ 18 2. ESTADO DEL ARTE .....................................................................................19 3. MARCO TEÓRICO ........................................................................................24 3.1 MODELO Y CONTROL DE UN QUADROTOR ........................................... 24 3.1.1 FUNCIONAMIENTO GENERAL ........................................................... 24 3.1.2 MODELO MATEMÁTICO ..................................................................... 27 3.1.3 COMUNICACIÓN ................................................................................. 28 3.2 PLANEACIÓN DE TRAYECTORIAS .......................................................... 29 3.2.1 ALGORITMOS INTELIGENTES ........................................................... 29 3.3 PROCESAMIENTO Y CLASIFICACIÓN DE IMÁGENES ............................ 31 4. DESARROLLO DE LA METODOLOGÍA ......................................................34 4.1 METODOLOGÍA ......................................................................................... 34 4.2 MATERIALES Y MÉTODOS ....................................................................... 36 4.2.1 DRONE TELLO EDU ............................................................................ 36 4.2.2 PYTHON Y MATLAB ............................................................................ 37 7 4.3 DESARROLLO EXPERIMENTAL ............................................................... 37 4.3.1 MODELO MATEMÁTICO ..................................................................... 37 4.3.2 DISEÑO CONTROLADOR ................................................................... 43 4.3.3 PLANEACIÓN DE TRAYECTORIAS .................................................... 49 4.3.4 OPTIMIZACIÓN DE TRAYECTORIA .................................................... 53 4.3.5 ESTIMACIÓN CON FILTRO KALMAN ................................................. 57 4.3.6 PROCESAMIENTO DE IMÁGENES ..................................................... 59 5. RESULTADOS Y ANÁLISIS .........................................................................68 5.1 CONTROLADOR ........................................................................................ 68 5.2 PLANIFICACIÓN DE TRAYECTORIAS ...................................................... 72 5.3 OPTIMIZACIÓN DE TRAYECTORIAS ........................................................ 78 5.4 PROCESAMIENTO DE IMAGENES ........................................................... 91 6. CONCLUSIONES Y RECOMENDACIONES ............................................... 103 6.1 CONCLUSIONES ..................................................................................... 103 6.2 RECOMENDACIONES ............................................................................. 104 7. REFERENCIAS ........................................................................................... 106spa
dc.format.mimetypeapplicaction/pdfspa
dc.language.isospaspa
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.titleAlgoritmo con IA para planeación de trayectorias de un quadrotor para detección de plagas y estado nutricional de cultivos de Annona Muricataspa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.subject.lembALGORITMOS (COMPUTADORES)spa
dc.subject.lembINTELIGENCIA ARTIFICIALspa
dc.subject.lembAGRICULTURAspa
dc.type.localTesis/Trabajo de grado - Monografía - Maestríaspa
dc.description.abstractenglishAgriculture in Colombia plays a fundamental role in the country's economy, the development of new techniques of optimization of processes helps the growth of this sector. With the help of new technologies and the optimization of processes it is possible to decrease the losses on the crops, improve the quality of the products and generate greater profitability to the peasants. Precision agriculture is a trend in the world, which seeks to increase production capacity and improve the quality of crops, decreasing the number of required inputs and chemicals. In this document we worked with a Drone Tello Edu to monitor the state of an Annona Muricata cultivation. For this task an algorithm with AI was developed for the planning of trajectories of the Quadrotor, to minimize the distance that this had to travel in the cultivation by its limited capacity and battery life. Additionally, this journey was optimized to have a greater stability in the flight and power through the camera on board with photographs of the fruits. The photographs obtained were processed and classified to determine the general condition of the crop. To reach the proposed objective, the mathematical model of the quadrotor was performed, the trajectory planning algorithm and the optimization of these. An algorithm for the classification of the images was also performed, where it was sought to determine the fruits that presented disease or presence of pests, thus generating the possibility of decision-making effectively that guarantee the adequate treatment of crop. With this project, it was possible to identify the main problems that affect the crops of Annona Muricata as it is the pest of the "alarm" and the disease of the anthracnose caused by Colletotrichum SPP, in addition, a monitoring system for this type of type was developed Crops, which optimizes the route that a quadrotor must perform to monitor the crop, minimizing the distance of the journey. Additionally, it was achieved through artificial intelligence algorithms and imaging techniques classifying the crop images of Muricata, this image classification allows to identify fruits the images with an accuracy of 79.4%.spa
dc.title.translatedAlgorithm with the Planning of Trajectories of a Quadrotor for Pest Detection and Nutritional Status of Annona Muricata Cropsspa
dc.subject.keywordsSmart algorithmsspa
dc.subject.keywordsPath planningspa
dc.subject.keywordsQuadrotorsspa
dc.subject.keywordsPrecision agriculturespa
dc.subject.keywordsArtificial intelligencespa
dc.subject.keywordsOptimizationspa
dc.publisher.programMaestría en Ingeniería Mecatrónicaspa
dc.creator.degreenameMagíster en Ingeniería Mecatrónicaspa
dc.description.degreelevelMaestríaspa
dc.publisher.facultyFacultad de Ingenieríaspa
dc.type.driverinfo:eu-repo/semantics/masterThesisspa
dc.rights.creativecommonsAttribution-NonCommercial-NoDerivatives 4.0 Internationalspa
dc.relation.referencesAumeeruddy, M. Z., & Mahomoodally, M. F. (2021). Global documentation of traditionally used medicinal plants in cancer management: A systematic review. South African Journal of Botany, 138, 424–494. https://doi.org/10.1016/j.sajb.2021.01.006spa
dc.relation.referencesBadmus, J. A., Oyemomi, S. A., Adedosu, O. T., Yekeen, T. A., Azeez, M. A., Adebayo, E. A., Lateef, A., Badeggi, U. M., Botha, S., Hussein, A. A., & Marnewick, J. L. (2020). Photo-assisted bio-fabrication of silver nanoparticles using Annona muricata leaf extract: exploring the antioxidant, anti-diabetic, antimicrobial, and cytotoxic activities. Heliyon, 6(11), e05413. https://doi.org/10.1016/j.heliyon.2020.e05413spa
dc.relation.referencesBazán, G. G., & Chávez, L. C. (2017). ( Annonaceae ), una fruta utilizada como alimento en el Perú prehispánico ( Annonaceae ), a fruit used for feeding in Ancient Perú. 24(2), 619–634.spa
dc.relation.referencesBeleño, I. (2018). En el sector agrícola se pierden 6 millones de toneladas de alimentos al año. https://www.agronegocios.co/agricultura/en-el-sector-agricola-se-pierden-6-millones-de-toneladas-de-alimentos-al-ano-2706145spa
dc.relation.referencesBerumen-Varela, G., Hernández-Oñate, M. A., & Tiznado-Hernández, M. E. (2019). Utilization of biotechnological tools in soursop (Annona muricata L.). Scientia Horticulturae, 245(October 2018), 269–273. https://doi.org/10.1016/j.scienta.2018.10.028spa
dc.relation.referencesCabecinhas, D., Cunha, R., & Silvestre, C. (2019). A trajectory tracking control law for a quadrotor with slung load. Automatica, 106, 384–389. https://doi.org/10.1016/j.automatica.2019.04.030spa
dc.relation.referencesCastillo, R. (2016). Algoritmos geneticos (GAS) (pp. 15–17).spa
dc.relation.referencesChaparro, Sandra P; Tavera, Mónica L; Martínes, José J; Gil, J. H. (2014). Aislados proteicos de la semilla de guanábana ( Annona muricata ). Rev. U.D.CA Act. & Div. Cient., 17(1), 151–160.spa
dc.relation.referencesChen, L., Liu, Z., Gao, H., & Wang, G. (2021). Robust adaptive recursive sliding mode attitude control for a quadrotor with unknown disturbances. ISA Transactions, xxxx. https://doi.org/10.1016/j.isatra.2021.04.046spa
dc.relation.referencesFan, Y., Cao, Y., & Li, T. (2017). Adaptive integral backstepping control for trajectory tracking of a quadrotor. ICCSS 2017 - 2017 International Conference on Information, Cybernetics, and Computational Social Systems, 619–624. https://doi.org/10.1109/ICCSS.2017.8091489spa
dc.relation.references107 Chaparro, Sandra P; Tavera, Mónica L; Martínes, José J; Gil, J. H. (2014). Aislados proteicos de la semilla de guanábana ( Annona muricata ). Rev. U.D.CA Act. & Div. Cient., 17(1), 151–160. Chen, L., Liu, Z., Gao, H., & Wang, G. (2021). Robust adaptive recursive sliding mode attitude control for a quadrotor with unknown disturbances. ISA Transactions, xxxx. https://doi.org/10.1016/j.isatra.2021.04.046 Fan, Y., Cao, Y., & Li, T. (2017). Adaptive integral backstepping control for trajectory tracking of a quadrotor. ICCSS 2017 - 2017 International Conference on Information, Cybernetics, and Computational Social Systems, 619–624. https://doi.org/10.1109/ICCSS.2017.8091489spa
dc.relation.referencesFRANCESCO SABATINO. (2015). Quadrotor control: modeling, nonlinear control design, and simulation. In KTH Electrical Engineering (Vol. 41, Issue 3). KTH Electrical Engineering.spa
dc.relation.referencesGabriel, A. J. (2018). EVALUACIÓN POSCOSECHA DE RESVERATROL Y 6-BENCIL AMINOPURINA EN GUANÁBANA (Annona muricata L.) TESIS PROFESIONAL. 1–26.spa
dc.relation.referencesGalarza, D., Garcés, S., Velásques, J., Sánchez, V., & Zambrano, J. (2016). INIAP -Estación Experimental Santa Catalina (I. N. de I. A. (INIAP) (ed.)). nstituto Nacional de Investigaciones Agropecuarias. http://181.112.143.123/bitstream/41000/2827/1/iniapsc322est.pdfspa
dc.relation.referencesGonzalez, F. A., Afanador Cristancho, M. E., & Niño López, E. F. (2018). Modelamiento y simulación de un quadrotor mediante la integración de Simulink y SolidWorks. Maskay, 9(1), 15. https://doi.org/10.24133/maskay.v9i1.1043spa
dc.relation.referencesHernández, L. V., Moctezuma, H. L., Martínez, N. A. V., Bello, R. R., Rocha, D. G. C., & Contreras, R. G. C. (2014). La situación de las annonaceae en MéXico: Principales plagas, enfermedades y su control. Revista Brasileira de 108 Fruticultura, 36(SPEC. EDITION 1), 44–53. https://doi.org/10.1590/S0100-29452014000500005spa
dc.relation.referencesKamata, F. (2019). Cómo Japón está revolucionando la agricultura sin tierra ni trabajadores - BBC News Mundo. https://www.bbc.com/mundo/noticias-49784511spa
dc.relation.referencesKarahan, M., & Kasnakoglu, C. (2019). Modeling and Simulation of Quadrotor UAV Using PID Controller. Proceedings of the 11th International Conference on Electronics, Computers and Artificial Intelligence, ECAI 2019, 6, 2019–2022. https://doi.org/10.1109/ECAI46879.2019.9042043spa
dc.relation.referencesKharuf-Gutierrez, S., Hernándezndez-Santana, L., Orozco-Morales, R., Aday Días, O. de la C., & Delgado Mora, I. (2018). Análisis de imágenes multiespectrales adquiridas con vehículos aéreos no tripulados. Ingeniería Electrónica, Automática y Comunicaciones, 39, 79–91. http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S1815-59282018000200007&nrm=isospa
dc.relation.referencesKiyashko, M. A., Sholmov, A. K., & Efremov, A. A. (2017). Quadrotor mathematical and information model analysis. Proceedings of the 2017 IEEE Russia Section Young Researchers in Electrical and Electronic Engineering Conference, ElConRus 2017, 1(8), 901–904. https://doi.org/10.1109/EIConRus.2017.7910700spa
dc.relation.referencesK. R. Krishna, “Precision Farming: Soil Fertility and Productivity Aspects.” Apple Academic Press, pp. 20–21, 2016, [Online]. Available: https://books.google.com.co/books?id=PNWYCgAAQBAJ.spa
dc.relation.referencesLibardo Duarte , Juan Madrid, Brayan Montero Arévalo, Paolo. A. Ospina-Henao., G. Q. E. (2016). Mecánica Lagrangiana para el Modelado Dinámico y Simulación mediante Simulink-Matlab de un Péndulo de Furuta. 8. http://fcbi.unillanos.edu.co/cici/Articulos/CICI_2016_paper_9.pdfspa
dc.relation.referencesLiu, Z., & Wang, Y. (2018). Trajectory planning and tracking for maneuverable quadrotors. Proceedings of the 30th Chinese Control and Decision Conference, CCDC 2018, 2900–2905. https://doi.org/10.1109/CCDC.2018.8407620spa
dc.relation.referencesLucas Aguirre, J. C., Hoyos, A., & Quintero Castaño, V. D. (2016). Evaluacion fisicoquimica de pulpa de guanabana (Annona muricata l.) tratada enzimaticamente. Vitae, 23, S155–S158.spa
dc.relation.referencesMartín, L., Fuentes, H., Manuel, J., Carrasco, V., Alfonso, M., López, U., & Jaimes, G. (2015). Identification, damage and population fluctuation of Gonodonta pyrgo (Lepidoptera: Noctuidae) in Annona muricata. Revista Mexicana de Ciencias Agrícolas, 6(5), 1001–1012.spa
dc.relation.referencesMatencio, A., Tutor, M., & Rodr, A. (2018). Proyecto Fin de Carrera Ingeniería Aeronáutica Análisis de diferentes condiciones de vuelo de un quadrotor. Universidad de Sevilla.spa
dc.relation.referencesMellinger, D., & Kumar, V. (2012). Minimum snap trajectory generation and control for quadrotors. Publicly Accessible Penn Dissertations, 2520–2525. https://doi.org/10.1109/ICRA.2011.5980409spa
dc.relation.referencesMengistie, B. T., Mol, A. P. J., & Oosterveer, P. (2017). Pesticide use practices among smallholder vegetable farmers in Ethiopian Central Rift Valley. Environment, Development and Sustainability, 19(1), 301–324. https://doi.org/10.1007/s10668-015-9728-9spa
dc.relation.referencesMinisterio de agricultura y ganaderia. (1991). Aspectos Técnicos sobre Cuarenta y Cinco Cultivos Agrícolas de Costa Rica. Dirección General de Investigación y Extensión Agrícola. In Medicinal Plants of the World, Volume 1. https://doi.org/10.1385/1-59259-365-8:133spa
dc.relation.referencesMoyano Díaz, S. (2014). Diseño y Construcción de un Quadcopter. Memoria, 1, 78.spa
dc.relation.referencesNegash, L., Kim, H. Y., & Choi, H. L. (2019). Emerging UAV Applications in 110 Agriculture. 2019 7th International Conference on Robot Intelligence Technology and Applications, RiTA 2019, 254–257. https://doi.org/10.1109/RITAPP.2019.8932853spa
dc.relation.referencesOktay, T., & Köse, O. (2019). Dynamic Modeling and Simulation of Quadrotor for Different Flight Conditions. European Journal of Science and Technology, 15, 132–142. https://doi.org/10.31590/ejosat.507222spa
dc.relation.referencesOmar, N. A., Razak, F. S. A., Tang, C. H., Uddin, A. B. M. H., Sarker, M. Z. I., Janakiraman, A. K., & Liew, K. Bin. (2021). Development and evaluation of a cosmetic cream formulation containing annona muricata leaves extract. Latin American Journal of Pharmacy, 40(2), 258–266.spa
dc.relation.referencesOrjuela, Y. (2020a). Fruvii, la aplicación para que los agricultores vendan sus productos directamente - Apps - Tecnología - ELTIEMPO.COM. https://www.eltiempo.com/tecnosfera/apps/fruvii-la-aplicacion-para-que-los-agricultores-vendan-sus-productos-directamente-493950spa
dc.relation.referencesOrjuela, Y. (2020b). Nanotecnología en cultivos de Boyacá - Novedades Tecnología - Tecnología - ELTIEMPO.COM. 1. https://www.eltiempo.com/tecnosfera/novedades-tecnologia/nanotecnologia-en-cultivos-de-boyaca-480406spa
dc.relation.referencesOrtiz Gonzales, J. P. (2014). Modelado y control robusto de un vehículo aéreo no tripulado quadrotor, en ambientes cerrados. 85.spa
dc.relation.referencesPodvalny, S. L., Chizhov, M. I., Gusev, P. Y., & Gusev, K. Y. (2019). The crossover operator of a genetic algorithm as applied to the task of a production planning. Procedia Computer Science, 150, 603–608. https://doi.org/10.1016/j.procs.2019.02.100spa
dc.relation.referencesPrasad, S. K., Pradeep, S., Shimavallu, C., Kollur, S. P., Syed, A., Marraiki, N., Egbuna, C., Gaman, M.-A., Kosakowska, O., Cho, W. C., Patrick-Iwuanyanwu, 111 K. C., Ortega Castro, J., Frau, J., Flores-Holguín, N., & Glossman-Mitnik, D. (2021). Evaluation of Annona muricata Acetogenins as Potential Anti-SARS-CoV-2 Agents Through Computational Approaches. Frontiers in Chemistry, 8, 624716. https://doi.org/10.3389/fchem.2020.624716spa
dc.relation.referencesReinoso, M., Minchala, L. I., Ortiz, J. P., Astudillo, D., & Verdugo, D. (2016). Trajectory tracking of a quadrotor using sliding mode control. IEEE Latin America Transactions, 14(5), 2157–2166. https://doi.org/10.1109/TLA.2016.7530409spa
dc.relation.referencesRobotics, R. (2018). Tello User Manual 2018.04 (pp. 1–22).spa
dc.relation.referencesRuíz, A. A. B. (2015). Diseño y construccion de un cuadricoptero a control remoto (Vol. 3, Issue 2, pp. 54–67). http://repositorio.unan.edu.ni/2986/1/5624.pdfspa
dc.relation.referencesRyze Robotics. (2020). TELLO SPECS. https://www.ryzerobotics.com/tello/specsspa
dc.relation.referencesSánchez Yoldi, M. Á., & Ruiz Tadeo, F. J. (2011). Modelización y simulación de un vehículo aéreo no tripulado. 190.spa
dc.relation.referencesSuthanthira Vanitha, N., Manivannan, L., Meenakshi, T., & Radhika, K. (2020). Stability analysis of quadrotor using state space mathematical modeling. Materials Today: Proceedings, 33, 4040–4043. https://doi.org/10.1016/j.matpr.2020.06.428spa
dc.relation.referencesTiempo, E. y N. el T. (2019). DTN trae al país servicios de agricultura de precisión - Empresas - Economía - ELTIEMPO.COM. https://www.eltiempo.com/economia/empresas/dtn-trae-al-pais-servicios-de-agricultura-de-precision-334828spa
dc.relation.referencesTrinidad, E., & Calderón, M. (2017). Identificación y caracterización de Colletotrichum spp. causante de antracnosis en aguacate Nayarit, México* Identification and characterization of Colletotrichum spp. causing anthracnose in avocado Nayarit, Mexico. Revista Mexicana de Ciencias Agricolas, 3953– 112 3964.spa
dc.relation.referencesVenkata Subba Rao, P., & Gorantla, S. R. (2019). Design and Modelling of anAffordable UAV Based Pesticide Sprayer in Agriculture Applications. 5th International Conference on Electrical Energy Systems, ICEES 2019, 360(February), 2019–2022. https://doi.org/10.1109/ICEES.2019.8719237spa
dc.relation.referencesVieira Lima, G., Monteiro Jorge Alves De Souza, R., Silva De Morais, A., Oliveira Lopes, L. C., & Mara Vieira Ladeira, G. (2019). Stabilization and Path Tracking of a Mini Quadrotor Helicopter: Experimental Results. IEEE Latin America Transactions, 17(3), 485–492. https://doi.org/10.1109/TLA.2019.8863319spa
dc.relation.referencesWai, R. J., & Prasetia, A. S. (2019). Adaptive Neural Network Control and Optimal Path Planning of UAV Surveillance System with Energy Consumption Prediction. IEEE Access, 7, 126137–126153. https://doi.org/10.1109/ACCESS.2019.2938273spa
dc.relation.referencesYingkun, Z. (2018). Flight path planning of agriculture UAV based on improved artificial potential field method. Proceedings of the 30th Chinese Control and Decision Conference, CCDC 2018, 17395602 d, 1526–1530. https://doi.org/10.1109/CCDC.2018.8407369spa
dc.relation.referencesZhao, Y., Zheng, Z., & Liu, Y. (2018). Survey on computational-intelligence-based UAV path planning. Knowledge-Based Systems, 158(March), 54–64. https://doi.org/10.1016/j.knosys.2018.05.033spa
dc.subject.proposalAlgoritmos inteligentesspa
dc.subject.proposalPlanificación de trayectoriasspa
dc.subject.proposalQuadrotoresspa
dc.subject.proposalAgricultura de precisiónspa
dc.subject.proposalInteligencia artificialspa
dc.subject.proposalOptimizaciónspa
dc.publisher.grantorUniversidad Militar Nueva Granadaspa
dc.type.coarhttp://purl.org/coar/resource_type/c_bdcc*
dc.type.hasversioninfo:eu-repo/semantics/acceptedVersionspa
dc.identifier.instnameinstname:Universidad Militar Nueva Granadaspa
dc.identifier.reponamereponame:Repositorio Institucional Universidad Militar Nueva Granadaspa
dc.identifier.repourlrepourl:https://repository.unimilitar.edu.cospa
dc.rights.localAcceso abiertospa
dc.coverage.sedeCalle 100spa
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2


Archivos en el ítem

Thumbnail
Nombre:
CastroVegaJuanGabriel2021.pdf
Tamaño:
3.227Mb
Formato:
PDF
Descripción:
Trabajo de grado
Ver/

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem

http://creativecommons.org/licenses/by-nc-nd/4.0/
Excepto si se señala otra cosa, la licencia del ítem se describe como http://creativecommons.org/licenses/by-nc-nd/4.0/