02455nam a2200301 a 4500 OSt 20260209143722.0 cr || |||a|c|a 230522s2019 mx a|||fom||| 001 0 spa d rda 187128 Mota Delfin, Canek 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. Chapingo, México : El autor, 2019. 1 recurso en línea (103 páginas): cuadros, figuras. rdacontent texto txt rdamedia computadora c rdacarrier recurso en línea cr IMAg Mecánica 2019. LIC Incluye referencias bibliográficas: páginas 69-71. 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. 95387 Redes neuronales artificiales 187130 Manzana Selección Programación de computadoras 70742 Manzana Calidad 187129 Juárez González, Carlos 185728 Olguín Rojas, Juan Carlos Director de tesis. http://10.13.5.2/tesis/tl/Mota_Delfin_Canek.pdf DESCARGAR PDF Clasificación Universidad Autónoma Chapingo TD 218799 218799 0 0 local 0 1 0 TesDigL BD BD E_L 2023-05-22 0 Tesis digital 2023-05-22 00:00:00 2023-05-22 TD