Estudio de técnicas de aprendizaje automático en el análisis de imágenes para pronóstico de cosecha
- Autores
- Parlanti, Tatiana Sofía
- Año de publicación
- 2020
- Idioma
- español castellano
- Tipo de recurso
- tesis de grado
- Estado
- versión publicada
- Colaborador/a o director/a de tesis
- Millan, Emmanuel Nicolás
Lobos, Alejandro Martín
Marchetta Fernandez, Martín Gonzalo
Simondi, Sebastián - Descripción
- 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.
Fil: Parlanti, Tatiana Sofía. Universidad Nacional de Cuyo. Facultad de Ciencias Exactas y Naturales. - Materia
-
Matemática apicada
Análisis de redes
Tecnología informática - Nivel de accesibilidad
- acceso abierto
- Condiciones de uso
- http://creativecommons.org/licenses/by/2.5/ar/
- Repositorio
- Institución
- Universidad Nacional de Cuyo
- OAI Identificador
- oai:bdigital.uncu.edu.ar:16571
Ver los metadatos del registro completo
id |
BDUNCU_72a2ff7c12d62ae259f043208d6586d5 |
---|---|
oai_identifier_str |
oai:bdigital.uncu.edu.ar:16571 |
network_acronym_str |
BDUNCU |
repository_id_str |
1584 |
network_name_str |
Biblioteca Digital (UNCu) |
spelling |
Estudio de técnicas de aprendizaje automático en el análisis de imágenes para pronóstico de cosecha Parlanti, Tatiana SofíaMatemática apicadaAnálisis de redesTecnología informáticaEn 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.Fil: Parlanti, Tatiana Sofía. Universidad Nacional de Cuyo. Facultad de Ciencias Exactas y Naturales. Universidad Nacional de Cuyo. Facultad de Ciencias Exactas y NaturalesMillan, Emmanuel NicolásLobos, Alejandro MartínMarchetta Fernandez, Martín GonzaloSimondi, Sebastián2020-06-06info:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/publishedVersionTesina de gradohttp://purl.org/coar/resource_type/c_7a1finfo:ar-repo/semantics/tesisDeGradoapplication/pdfhttp://bdigital.uncu.edu.ar/16571spainfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by/2.5/ar/reponame:Biblioteca Digital (UNCu)instname:Universidad Nacional de Cuyoinstacron:UNCU2025-09-11T10:20:14Zoai:bdigital.uncu.edu.ar:16571Institucionalhttp://bdigital.uncu.edu.ar/Universidad públicaNo correspondehttp://bdigital.uncu.edu.ar/OAI/hdegiorgi@uncu.edu.ar;horaciod@gmail.comArgentinaNo correspondeNo correspondeNo correspondeopendoar:15842025-09-11 10:20:15.127Biblioteca Digital (UNCu) - Universidad Nacional de Cuyofalse |
dc.title.none.fl_str_mv |
Estudio de técnicas de aprendizaje automático en el análisis de imágenes para pronóstico de cosecha |
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 Parlanti, Tatiana Sofía Matemática apicada Análisis de redes Tecnología informática |
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 |
dc.creator.none.fl_str_mv |
Parlanti, Tatiana Sofía |
author |
Parlanti, Tatiana Sofía |
author_facet |
Parlanti, Tatiana Sofía |
author_role |
author |
dc.contributor.none.fl_str_mv |
Millan, Emmanuel Nicolás Lobos, Alejandro Martín Marchetta Fernandez, Martín Gonzalo Simondi, Sebastián |
dc.subject.none.fl_str_mv |
Matemática apicada Análisis de redes Tecnología informática |
topic |
Matemática apicada Análisis de redes Tecnología informática |
dc.description.none.fl_txt_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. Fil: Parlanti, Tatiana Sofía. Universidad Nacional de Cuyo. Facultad de Ciencias Exactas y Naturales. |
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. |
publishDate |
2020 |
dc.date.none.fl_str_mv |
2020-06-06 |
dc.type.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis info:eu-repo/semantics/publishedVersion Tesina de grado http://purl.org/coar/resource_type/c_7a1f info:ar-repo/semantics/tesisDeGrado |
format |
bachelorThesis |
status_str |
publishedVersion |
dc.identifier.none.fl_str_mv |
http://bdigital.uncu.edu.ar/16571 |
url |
http://bdigital.uncu.edu.ar/16571 |
dc.language.none.fl_str_mv |
spa |
language |
spa |
dc.rights.none.fl_str_mv |
info:eu-repo/semantics/openAccess http://creativecommons.org/licenses/by/2.5/ar/ |
eu_rights_str_mv |
openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by/2.5/ar/ |
dc.format.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Universidad Nacional de Cuyo. Facultad de Ciencias Exactas y Naturales |
publisher.none.fl_str_mv |
Universidad Nacional de Cuyo. Facultad de Ciencias Exactas y Naturales |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital (UNCu) instname:Universidad Nacional de Cuyo instacron:UNCU |
reponame_str |
Biblioteca Digital (UNCu) |
collection |
Biblioteca Digital (UNCu) |
instname_str |
Universidad Nacional de Cuyo |
instacron_str |
UNCU |
institution |
UNCU |
repository.name.fl_str_mv |
Biblioteca Digital (UNCu) - Universidad Nacional de Cuyo |
repository.mail.fl_str_mv |
hdegiorgi@uncu.edu.ar;horaciod@gmail.com |
_version_ |
1842974872345509888 |
score |
13.070432 |