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...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autor principal: Parlanti, Tatiana Sofía
Otros Autores: Lobos, Alejandro Martín, Marchetta Fernandez, Martín Gonzalo, Millan, Emmanuel Nicolás, Simondi, Sebastián
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