Aplicación de técnicas de depp learning para la clasificación y detencción de manzanas (Malus domestica) /
por Canek Mota Delfín y Carlos Juárez González; director de tesis Juan Carlos Olguín Rojas.
- 1 recurso en línea (103 páginas): cuadros, figuras.
En el presente trabajo se muestran los resultados de aplicar dos algoritmos de Aprendizaje Profundo para clasificar cultivares de manzanas en dañadas y sanas. Para la toma de datos y aplicación real de los algoritmos se diseñó una banda transportadora con ambiente de luz controlado, en la cual se capturaron 2,400 imágenes para entrenamiento y 2,400 para evaluación, utilizando una webcam Logitech C920. El entrenamiento del modelo de clasificación obtuvo una precisión del 98.65% en entrenamiento y 96.3% con el 20% de datos en test. En la evaluación, el 90% de las imágenes fueron clasificadas correctamente. Se etiquetaron manualmente 2,400 imágenes y se construyó un modelo para detección de manzanas sanas y dañadas a partir la red neuronal YOLO. Utilizando la métrica precisión media promedio, se obtuvo un valor de precisión del 92.95%. La programación se llevó a cabo en Python, utilizando un entorno de programación con GPU en Google Colab. El tiempo de inferencia de la red YOLO fue de 4 segundos usando una PC Core i5 de 2.4 GHz por lo que no fue práctico implementarlo en la banda transportadora, como el algoritmo de clasificación.
Redes neuronales artificiales Manzana--Selección--Programación de computadoras Manzana--Calidad