1. Repositorio Institucional del Tecnológico Nacional de México (RI - TecNM)
2. Tesis de Posgrado
3. Veracruz
4. Instituto Tecnológico de Orizaba
5. Tesis de Posgrado
6. Tesis de Maestría
7. Maestría en Ingeniería Electrónica

Title:	DESARROLLO DE UN SISTEMA CLASIFICADOR DE MADUREZ EN CEREZAS DE CAFE MEDIANTE PROCESAMIENTO DE IMAGENES E INTELIGENCIA ARTIFICIAL
Authors:	MARTINEZ MIRANDA, CARLOS A.
metadata.dc.subject.other:	Café, Madurez, Clasificación Automática, Visión Computacional, Agricultura de Precisión, Docker, API REST, Google Cloud, Firebase, Flutter, Aplicación Móvil YOLO11
Issue Date:	2025-11-01
Publisher:	Tecnológico Nacional de México
metadata.dc.publisher.tecnm:	Instituto Tecnológico de Orizaba
Description:	La producción de café en México, uno de los principales en el mundo, se enfrenta a importantes retos debido a la falta de acceso tecnológico de los pequeños agricultores. La cosecha de las cerezas de café en su punto óptimo de madurez se realiza habitualmente con el criterio empírico, el cual influye directamente en la cantidad y calidad del producto final, ya que cada uno de los estados de madurez de la cereza del café poseen características físicas y químicas específicas. La presente investigación, que tiene por título ‘Desarrollo de un sistema clasificador de madurez en cerezas de café mediante procesamiento de imágenes e inteligencia artificial’, propone el desarrollo de un sistema de clasificación de la madurez de las cerezas de café mediante el procesamiento de imágenes y la inteligencia artificial para pequeños productores de café. Dicho sistema basado en una red neural convolucional, específicamente YOLO11, tiene como objetivo reducir la dependencia al personal altamente cualificado mediante la identificación automática de las tonalidades de color de la cereza del café asociadas a sus diferentes etapas de madurez. La metodología para realizar el sistema clasificador de madurez se basa en dos partes, el desarrollo de la red neuronal convolucional y la implementación de la misma: El desarrollo de la red neuronal convolucional se llevó a cabo mediante la adquisición, preprocesamiento y aumento de datos para posteriormente entrenar y validar la red neuronal convolucional, YOLO11, en 3 de sus tamaños y con esto, analizar y elegir el mejor modelo. La implementación del modelo de detección de la madurez utiliza el uso de la contenerización de una API REST en Docker, el despliegue en Google Cloud y una aplicación móvil para la visualización de las inferencias. Los resultados del modelo YOLO11m demostró que fue el modelo más equilibrio, alcanzando un mAP@50 de 0.864 en las pruebas realizadas. La clase de cereza verde obtuvo el AP más alto (0.904), mientras que la clase de cereza sobre-madura presentó el más bajo (0.817), debido al desequilibrio de la clase de cereza sobre-madura en el conjunto de datos, lo que genera que exista una mayor complejidad visual. Su implementación en una aplicación móvil se realizó de manera satisfactoria, teniendo el límite principal de la conexión a internet. Esta investigación demostró la eficacia de utilizar técnicas de Deep Learning, en este caso la red neuronal convolucional, YOLO11, para tareas de cultivo de café como la clasificación de la madurez de cereza de café en condiciones reales. El sistema automatizado se presenta como una solución accesible con la posibilidad de optimizar la cosecha y mejorar la calidad del grano.
metadata.dc.type:	info:eu-repo/semantics/masterThesis
Appears in Collections:	Maestría en Ingeniería Electrónica

This item is protected by original copyright View License

This item is licensed under a Creative Commons License