Veuillez utiliser cette adresse pour citer ce document : https://rinacional.tecnm.mx/jspui/handle/TecNM/9775
Titre: SISTEMA EMBEBIDO PARA LA IDENTIFICACION DE DEFECTOS EN GRANOS DE CAFE VERDE, MEDIANTE PROCESAMIENTO DE IMAGENES Y ALGORITMOS DE INTELIGENCIA ARTIFICIAL
Auteur(s): MANRIQUE SANTOS, DORA+E.
metadata.dc.subject.other: Sistema embebido, procesamiento de imágenes, inteligencia artificial, café verde
Date de publication: 2023-11-14
Editeur: Tecnológico Nacional de México
metadata.dc.publisher.tecnm: Instituto Tecnológico de Orizaba
Description: Considerando la importancia e influencia de la calidad en el café verde y apuntando a contribuir a mejorar la producción, ahorro de recursos así como disminuir costos, tiempos de producción y desperdicios de materia prima, se hace necesaria la implementación de tecnologías nuevas que permitan mejorar la calidad del café, como es el caso de las técnicas de Visión Artificial (AV, por sus siglas en inglés) para la adquisición, corrección y manejo de datos y el empleo de Inteligencia Artificial (AI, por sus siglas en inglés) como es el entrenamiento de Redes Neuronales Artificiales (ANN, por sus siglas en inglés) las cuales, para el proyecto, fueron del tipo convolucional (CNN, por sus siglas en inglés) llevando a cabo de modo automático y mediante aprendizaje de tipo profundo, la extracción e identificación de características propias de cada clase de defecto en los granos de café verde, mismas que facilitaron su correcta clasificación. Para conseguirlo se realizó una base de datos de 4000 imágenes redimensionadas a 320x320 pixeles, adquiridas con una cámara USB Arducam de 16 megapixeles con autoenfoque, haciendo un aumento de imágenes mediante transformaciones de rotación y traslación para alcanzar una cantidad de 9600 imágenes. En dichas imágenes se identificaron y etiquetaron, en la plataforma roboflow©, 12 clases distintas que conformaron la base de datos con la cual se realizó el entrenamiento en una primera red neuronal de tipo CNN preentrenadas para clasificaciones de imágenes a gran escala tipo VGG-16, otra tipo VGG-19, otra de tipo residual ResNet-50 y una cuarta CNN empleando la arquitectura de red YOLOv5x de YOLOv5. Como resultados, en la correcta identificación de cada una de las 12 clases, la exactitud o accuracy alcanzada con la red VGG-16 fue del 86.07 % y un f1-score del 87.51 %, con la red VGG-19 un 67.03 % y un f1-score del 73.03 %, con la red ResNet-50 un 87.76 % y un f1-score del 89.56 % y finalmente el mejor resultado se obtuvo mediante el empleo de la red de arquitectura YOLOv5x obteniéndose un 97.4 % de precisión y un f1-score del 93 %.
metadata.dc.type: info:eu-repo/semantics/masterThesis
Collection(s) :Maestría en Ingeniería Electrónica

Fichier(s) constituant ce document :
Fichier Description TailleFormat 
DORA_ELISA_MANRIQUE_SANTOS.pdf27.03 MBAdobe PDFVoir/Ouvrir
MANRIQUE SANTOS DORA ELISA-LICENCIA.pdf170.73 kBAdobe PDFVoir/Ouvrir


Ce document est protégé par copyright



Ce document est autorisé sous une licence de type Licence Creative Commons Creative Commons