Redes neuronales adversarias para el reconocimiento de malezas
- Autores
- Baruffaldi, Juan Manuel
- Año de publicación
- 2018
- Idioma
- español castellano
- Tipo de recurso
- tesis de grado
- Estado
- versión aceptada
- Colaborador/a o director/a de tesis
- Uzal, Lucas
- Descripción
- Se aborda el problema de reconocimiento de malezas en video para poder realizar una aplicación de herbicidas selectiva de la maleza sobre campo con cultivo de soja. El sistema de reconocimiento propuesto es compatible además con la implementación de técnicas de robótica para remover la maleza con actuadores mecánicos sin el uso de agroquímicos. El problema es abordado con técnicas de Deep Learning, donde los datos de entrenamiento son filmaciones del campo con la presencia de cultivo y maleza. El sistema de visión propuesto está basado en Convolutional Neural Networks (CNN). Se utilizó la técnica de Generative Adversarial Networks (GAN) para hacer un pre-entrenamiento no supervisado del modelo de modo de explotar la gran cantidad de imágenes que se obtienen a partir de secuencias de video. Luego se entrena en forma supervisada con una mínima cantidad de datos etiquetados para especializar el modelo. Se analizan y comparan resultados de distintos métodos utilizados y su aporte en el reconocimiento. Se combinan dos redes discriminantes de Deep Convolutional Generative Adversarial Networks (DCGAN) y se utiliza una Support Vector Machines (SVM) en la última capa de la red entrenada sobre datos etiquetados utilizando Data Augmentation para lograr mayor robustez. Como resultado final se obtuvo un precisión sobre el conjunto de test de 91 %.
Fil: Universidad Nacional de Rosario. Facultad de Ciencias Exactas, Ingeniería y Agrimensura.Departamento de Ciencias de la Computación - Materia
-
generative adversarial networks
red generativa antagónica
smart spraying
pulverización inteligente
deep learning
aprendizaje profundo - Nivel de accesibilidad
- acceso abierto
- Condiciones de uso
- Reconocimiento – Compartir Igual (by-sa): Se permite el uso comercial de la obra y de las posibles obras derivadas, la distribución de las cuales se debe hacer con una licencia igual a la que regula la obra original.
- Repositorio
- Institución
- Universidad Nacional de Rosario
- OAI Identificador
- oai:rephip.unr.edu.ar:2133/26029
Ver los metadatos del registro completo
id |
RepHipUNR_504930bb59d3bb126660c4f6f789799d |
---|---|
oai_identifier_str |
oai:rephip.unr.edu.ar:2133/26029 |
network_acronym_str |
RepHipUNR |
repository_id_str |
1550 |
network_name_str |
RepHipUNR (UNR) |
spelling |
Redes neuronales adversarias para el reconocimiento de malezasBaruffaldi, Juan Manuelgenerative adversarial networksred generativa antagónicasmart sprayingpulverización inteligentedeep learningaprendizaje profundoSe aborda el problema de reconocimiento de malezas en video para poder realizar una aplicación de herbicidas selectiva de la maleza sobre campo con cultivo de soja. El sistema de reconocimiento propuesto es compatible además con la implementación de técnicas de robótica para remover la maleza con actuadores mecánicos sin el uso de agroquímicos. El problema es abordado con técnicas de Deep Learning, donde los datos de entrenamiento son filmaciones del campo con la presencia de cultivo y maleza. El sistema de visión propuesto está basado en Convolutional Neural Networks (CNN). Se utilizó la técnica de Generative Adversarial Networks (GAN) para hacer un pre-entrenamiento no supervisado del modelo de modo de explotar la gran cantidad de imágenes que se obtienen a partir de secuencias de video. Luego se entrena en forma supervisada con una mínima cantidad de datos etiquetados para especializar el modelo. Se analizan y comparan resultados de distintos métodos utilizados y su aporte en el reconocimiento. Se combinan dos redes discriminantes de Deep Convolutional Generative Adversarial Networks (DCGAN) y se utiliza una Support Vector Machines (SVM) en la última capa de la red entrenada sobre datos etiquetados utilizando Data Augmentation para lograr mayor robustez. Como resultado final se obtuvo un precisión sobre el conjunto de test de 91 %.Fil: Universidad Nacional de Rosario. Facultad de Ciencias Exactas, Ingeniería y Agrimensura.Departamento de Ciencias de la ComputaciónFacultad de Ciencias Exactas, Ingeniería y Agrimensura. Universidad Nacional de RosarioUzal, Lucas2018-02info:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_7a1finfo:ar-repo/semantics/tesisDeGradoapplication/pdfhttp://hdl.handle.net/2133/26029spainfo:eu-repo/semantics/openAccessReconocimiento – Compartir Igual (by-sa): Se permite el uso comercial de la obra y de las posibles obras derivadas, la distribución de las cuales se debe hacer con una licencia igual a la que regula la obra original.http://creativecommons.org/licenses/by/2.5/ar/Licencia RepHipreponame:RepHipUNR (UNR)instname:Universidad Nacional de Rosario2025-09-04T09:43:34Zoai:rephip.unr.edu.ar:2133/26029instacron:UNRInstitucionalhttps://rephip.unr.edu.ar/Universidad públicaNo correspondehttps://rephip.unr.edu.ar/oai/requestrephip@unr.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:15502025-09-04 09:43:35.31RepHipUNR (UNR) - Universidad Nacional de Rosariofalse |
dc.title.none.fl_str_mv |
Redes neuronales adversarias para el reconocimiento de malezas |
title |
Redes neuronales adversarias para el reconocimiento de malezas |
spellingShingle |
Redes neuronales adversarias para el reconocimiento de malezas Baruffaldi, Juan Manuel generative adversarial networks red generativa antagónica smart spraying pulverización inteligente deep learning aprendizaje profundo |
title_short |
Redes neuronales adversarias para el reconocimiento de malezas |
title_full |
Redes neuronales adversarias para el reconocimiento de malezas |
title_fullStr |
Redes neuronales adversarias para el reconocimiento de malezas |
title_full_unstemmed |
Redes neuronales adversarias para el reconocimiento de malezas |
title_sort |
Redes neuronales adversarias para el reconocimiento de malezas |
dc.creator.none.fl_str_mv |
Baruffaldi, Juan Manuel |
author |
Baruffaldi, Juan Manuel |
author_facet |
Baruffaldi, Juan Manuel |
author_role |
author |
dc.contributor.none.fl_str_mv |
Uzal, Lucas |
dc.subject.none.fl_str_mv |
generative adversarial networks red generativa antagónica smart spraying pulverización inteligente deep learning aprendizaje profundo |
topic |
generative adversarial networks red generativa antagónica smart spraying pulverización inteligente deep learning aprendizaje profundo |
dc.description.none.fl_txt_mv |
Se aborda el problema de reconocimiento de malezas en video para poder realizar una aplicación de herbicidas selectiva de la maleza sobre campo con cultivo de soja. El sistema de reconocimiento propuesto es compatible además con la implementación de técnicas de robótica para remover la maleza con actuadores mecánicos sin el uso de agroquímicos. El problema es abordado con técnicas de Deep Learning, donde los datos de entrenamiento son filmaciones del campo con la presencia de cultivo y maleza. El sistema de visión propuesto está basado en Convolutional Neural Networks (CNN). Se utilizó la técnica de Generative Adversarial Networks (GAN) para hacer un pre-entrenamiento no supervisado del modelo de modo de explotar la gran cantidad de imágenes que se obtienen a partir de secuencias de video. Luego se entrena en forma supervisada con una mínima cantidad de datos etiquetados para especializar el modelo. Se analizan y comparan resultados de distintos métodos utilizados y su aporte en el reconocimiento. Se combinan dos redes discriminantes de Deep Convolutional Generative Adversarial Networks (DCGAN) y se utiliza una Support Vector Machines (SVM) en la última capa de la red entrenada sobre datos etiquetados utilizando Data Augmentation para lograr mayor robustez. Como resultado final se obtuvo un precisión sobre el conjunto de test de 91 %. Fil: Universidad Nacional de Rosario. Facultad de Ciencias Exactas, Ingeniería y Agrimensura.Departamento de Ciencias de la Computación |
description |
Se aborda el problema de reconocimiento de malezas en video para poder realizar una aplicación de herbicidas selectiva de la maleza sobre campo con cultivo de soja. El sistema de reconocimiento propuesto es compatible además con la implementación de técnicas de robótica para remover la maleza con actuadores mecánicos sin el uso de agroquímicos. El problema es abordado con técnicas de Deep Learning, donde los datos de entrenamiento son filmaciones del campo con la presencia de cultivo y maleza. El sistema de visión propuesto está basado en Convolutional Neural Networks (CNN). Se utilizó la técnica de Generative Adversarial Networks (GAN) para hacer un pre-entrenamiento no supervisado del modelo de modo de explotar la gran cantidad de imágenes que se obtienen a partir de secuencias de video. Luego se entrena en forma supervisada con una mínima cantidad de datos etiquetados para especializar el modelo. Se analizan y comparan resultados de distintos métodos utilizados y su aporte en el reconocimiento. Se combinan dos redes discriminantes de Deep Convolutional Generative Adversarial Networks (DCGAN) y se utiliza una Support Vector Machines (SVM) en la última capa de la red entrenada sobre datos etiquetados utilizando Data Augmentation para lograr mayor robustez. Como resultado final se obtuvo un precisión sobre el conjunto de test de 91 %. |
publishDate |
2018 |
dc.date.none.fl_str_mv |
2018-02 |
dc.type.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis info:eu-repo/semantics/acceptedVersion http://purl.org/coar/resource_type/c_7a1f info:ar-repo/semantics/tesisDeGrado |
format |
bachelorThesis |
status_str |
acceptedVersion |
dc.identifier.none.fl_str_mv |
http://hdl.handle.net/2133/26029 |
url |
http://hdl.handle.net/2133/26029 |
dc.language.none.fl_str_mv |
spa |
language |
spa |
dc.rights.none.fl_str_mv |
info:eu-repo/semantics/openAccess Reconocimiento – Compartir Igual (by-sa): Se permite el uso comercial de la obra y de las posibles obras derivadas, la distribución de las cuales se debe hacer con una licencia igual a la que regula la obra original. http://creativecommons.org/licenses/by/2.5/ar/ Licencia RepHip |
eu_rights_str_mv |
openAccess |
rights_invalid_str_mv |
Reconocimiento – Compartir Igual (by-sa): Se permite el uso comercial de la obra y de las posibles obras derivadas, la distribución de las cuales se debe hacer con una licencia igual a la que regula la obra original. http://creativecommons.org/licenses/by/2.5/ar/ Licencia RepHip |
dc.format.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Facultad de Ciencias Exactas, Ingeniería y Agrimensura. Universidad Nacional de Rosario |
publisher.none.fl_str_mv |
Facultad de Ciencias Exactas, Ingeniería y Agrimensura. Universidad Nacional de Rosario |
dc.source.none.fl_str_mv |
reponame:RepHipUNR (UNR) instname:Universidad Nacional de Rosario |
reponame_str |
RepHipUNR (UNR) |
collection |
RepHipUNR (UNR) |
instname_str |
Universidad Nacional de Rosario |
repository.name.fl_str_mv |
RepHipUNR (UNR) - Universidad Nacional de Rosario |
repository.mail.fl_str_mv |
rephip@unr.edu.ar |
_version_ |
1842340740250730497 |
score |
12.623145 |