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

Detalles Bibliográficos
Autor principal: Parlanti, Tatiana Sofía
Otros Autores: Millan, Emmanuel Nicolás
Formato: Tesis de grado publishedVersion Tesina de grado
Lenguaje:Español
Publicado: Universidad Nacional de Cuyo. Facultad de Ciencias Exactas y Naturales 2020
Materias:
Matemática apicada
Análisis de redes
Tecnología informática
Acceso en línea:http://bdigital.uncu.edu.ar/16571
Aporte de:
Biblioteca Digital de Universidad Nacional de Cuyo
id I11-R816571
record_format dspace
institution Universidad Nacional de Cuyo
institution_str I-11
repository_str R-8
collection Biblioteca Digital
language Español
orig_language_str_mv spa
topic Matemática apicada
Análisis de redes
Tecnología informática
spellingShingle Matemática apicada
Análisis de redes
Tecnología informática
Parlanti, Tatiana Sofía
Estudio de técnicas de aprendizaje automático en el análisis de imágenes para pronóstico de cosecha
topic_facet Matemática apicada
Análisis de redes
Tecnología informática
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.
author2 Millan, Emmanuel Nicolás
author_facet Millan, Emmanuel Nicolás
Parlanti, Tatiana Sofía
format Tesis de grado
Tesis de grado
publishedVersion
Tesina de grado
author Parlanti, Tatiana Sofía
author_sort Parlanti, Tatiana Sofía
title 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
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
title_full_unstemmed Estudio de técnicas de aprendizaje automático en el análisis de imágenes para pronóstico de cosecha
title_sort estudio de técnicas de aprendizaje automático en el análisis de imágenes para pronóstico de cosecha
publisher Universidad Nacional de Cuyo. Facultad de Ciencias Exactas y Naturales
publishDate 2020
url http://bdigital.uncu.edu.ar/16571
work_keys_str_mv AT parlantitatianasofia estudiodetecnicasdeaprendizajeautomaticoenelanalisisdeimagenesparapronosticodecosecha
bdutipo_str Repositorios
_version_ 1764820404354940929

Ejemplares similares