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
Biblioteca Digital (UNCu)
Institución
Universidad Nacional de Cuyo
OAI Identificador
oai:bdigital.uncu.edu.ar:16571

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