Estudio de técnicas de aprendizaje automático en el análisis de imágenes para pronóstico de cosecha
En este trabajo se busca incorporar tecnología en el proceso de estimación de cosecha de uva, mediante la captura de imágenes, su pre-procesamiento y etiquetado y su posterior análisis usando algoritmos computacionales de Aprendizaje Automático (AA). Para ello se estudia sobre AA y algoritmos de apr...
Guardado en:
| Autor principal: | |
|---|---|
| Otros Autores: | , , , |
| Publicado: |
2020
|
| Materias: | |
| Acceso en línea: | https://bdigital.uncu.edu.ar/fichas.php?idobjeto=16571 |
| date_str_mv |
2020-06-06 |
|---|---|
| descriptores_str_mv |
Análisis de redes Aprendizaje automático Matemática apicada Redes convolucionales Redes neuronales Tecnología informática |
| todos_str_mv |
Co-director/a Director/a Integrante del jurado Integrante del jurado Licenciado en Ciencias Básicas con Orientación en Matemática Licenciatura en Ciencias Básicas con Orientación en Matemática tesisfcen UNCuyoFCEN |
| description_str_mv |
En este trabajo se busca incorporar tecnología en el proceso de estimación de cosecha de uva, mediante la captura de imágenes, su pre-procesamiento y etiquetado y su posterior análisis usando algoritmos computacionales de Aprendizaje Automático (AA). Para ello se estudia sobre AA y algoritmos de aprendizaje supervisado, en particular el uso de redes neuronales convolucionales para abordar la tarea de detectar objetos (racimos de uva), en las imágenes capturadas. Se Pone a prueba la red YOLOv3 (por sus siglas en inglés You Only Look Once, que significa "sólo miras una vez") con diferentes conjuntos de fotografías, y se aplicará técnicas de aumento de datos, son usados diferentes valores de hiperparámetros y arquitecturas de hardware, y reportaremos medidas de rendimiento como mAP, exhaustividad y precisión. Se observa por ejemplo que el aplicar distintas técnicas de aumento de datos lleva a un incremento de la exhaustividad de entre el 1 y el 13%, mientras que el incremento al usar diferentes hiperparámetros puede ser de entre un 5 y un 8%. Además se detecta que correctamente un 96,1% de racimos con una precisión del 72,16% para el entrenamiento con mayor número de fotografías. |
| titulo_str_mv |
Estudio de técnicas de aprendizaje automático en el análisis de imágenes para pronóstico de cosecha |
| disciplina_str_mv |
Informática Matemática |
| contributor_str_mv |
Lobos, Alejandro Martín Marchetta Fernandez, Martín Gonzalo Millan, Emmanuel Nicolás Simondi, Sebastián |
| autor_str_mv |
Parlanti, Tatiana Sofía |
| object_type_str_mv |
Textual: Tesis |
| dependencia_str_mv |
Facultad de Ciencias Exactas y Naturales |
| id |
16571 |
| plantilla_str |
Tesis |
| record_format |
Tesis |
| author2 |
Lobos, Alejandro Martín Marchetta Fernandez, Martín Gonzalo Millan, Emmanuel Nicolás Simondi, Sebastián |
| author_facet |
Lobos, Alejandro Martín Marchetta Fernandez, Martín Gonzalo Millan, Emmanuel Nicolás Simondi, Sebastián Parlanti, Tatiana Sofía |
| tipo_str |
textuales |
| type_str_mv |
Tesis |
| title_full |
Estudio de técnicas de aprendizaje automático en el análisis de imágenes para pronóstico de cosecha |
| title_fullStr |
Estudio de técnicas de aprendizaje automático en el análisis de imágenes para pronóstico de cosecha Estudio de técnicas de aprendizaje automático en el análisis de imágenes para pronóstico de cosecha |
| title_full_unstemmed |
Estudio de técnicas de aprendizaje automático en el análisis de imágenes para pronóstico de cosecha Estudio de técnicas de aprendizaje automático en el análisis de imágenes para pronóstico de cosecha |
| description |
En este trabajo se busca incorporar tecnología en el proceso de estimación de cosecha de uva, mediante la captura de imágenes, su pre-procesamiento y etiquetado y su posterior análisis usando algoritmos computacionales de Aprendizaje Automático (AA). Para ello se estudia sobre AA y algoritmos de aprendizaje supervisado, en particular el uso de redes neuronales convolucionales para abordar la tarea de detectar objetos (racimos de uva), en las imágenes capturadas. Se Pone a prueba la red YOLOv3 (por sus siglas en inglés You Only Look Once, que significa "sólo miras una vez") con diferentes conjuntos de fotografías, y se aplicará técnicas de aumento de datos, son usados diferentes valores de hiperparámetros y arquitecturas de hardware, y reportaremos medidas de rendimiento como mAP, exhaustividad y precisión. Se observa por ejemplo que el aplicar distintas técnicas de aumento de datos lleva a un incremento de la exhaustividad de entre el 1 y el 13%, mientras que el incremento al usar diferentes hiperparámetros puede ser de entre un 5 y un 8%. Además se detecta que correctamente un 96,1% de racimos con una precisión del 72,16% para el entrenamiento con mayor número de fotografías. |
| title |
Estudio de técnicas de aprendizaje automático en el análisis de imágenes para pronóstico de cosecha |
| spellingShingle |
Estudio de técnicas de aprendizaje automático en el análisis de imágenes para pronóstico de cosecha Análisis de redes Aprendizaje automático Matemática apicada Redes convolucionales Redes neuronales Tecnología informática Parlanti, Tatiana Sofía |
| topic |
Análisis de redes Aprendizaje automático Matemática apicada Redes convolucionales Redes neuronales Tecnología informática |
| topic_facet |
Análisis de redes Aprendizaje automático Matemática apicada Redes convolucionales Redes neuronales Tecnología informática |
| publishDate |
2020 |
| author |
Parlanti, Tatiana Sofía |
| tags_str_mv |
tesisfcen |
| title_sort |
Estudio de técnicas de aprendizaje automático en el análisis de imágenes para pronóstico de cosecha |
| title_short |
Estudio de técnicas de aprendizaje automático en el análisis de imágenes para pronóstico de cosecha |
| url |
https://bdigital.uncu.edu.ar/fichas.php?idobjeto=16571 |
| estado_str |
3 |
| building |
Biblioteca Digital |
| filtrotop_str |
Biblioteca Digital |
| collection |
Tesis |
| institution |
Sistema Integrado de Documentación |
| indexed_str |
2023-04-25 00:34 |
| _version_ |
1764120093607854080 |
