Clasificación de defectos en manzanas usando aprendizaje profundo con imágenes del espectro visible y del espectro infrarrojo cercano

Coello Camacho, Omar Mauricio

Please use this identifier to cite or link to this item: http://www.dspace.espol.edu.ec/handle/123456789/60585

Full metadata record

DC Field	Value	Language
dc.contributor.advisor	Coronel Unda, Moisés Agustín, Director	-
dc.contributor.author	Coello Camacho, Omar Mauricio	-
dc.creator	ESPOL. FIEC	-
dc.date.accessioned	2024-02-29T18:11:27Z	-
dc.date.available	2024-02-29T18:11:27Z	-
dc.date.issued	2023	-
dc.identifier.citation	Coello Camacho, O. M. (2023). Clasificación de defectos en manzanas usando aprendizaje profundo con imágenes del espectro visible y del espectro infrarrojo cercano. [Proyecto Integrador]. ESPOL. FIEC, Guayaquil. 77p.	-
dc.identifier.uri	http://www.dspace.espol.edu.ec/handle/123456789/60585	-
dc.description	Este estudio aborda la clasificación de defectos en manzanas, la cual es crucial para mitigar pérdidas económicas y optimizar la cadena de suministro de alimentos. Se propone un enfoque innovador que integra imágenes del espectro visible y del infrarrojo cercano (NIR) para mejorar la precisión y eficiencia en la detección, a diferencia de investigaciones previas que se enfocaban en un solo espectro. La metodología involucra el uso de redes neuronales convolucionales feedforward y siamesas para procesar imágenes RGB-NIR capturadas en paralelo, siguiendo los pasos de adquisición, preprocesamiento, entrenamiento del modelo clasificador y evaluación del rendimiento. Los resultados demostraron que la detección de defectos utilizando el espectro NIR reveló detalles no visibles en el espectro visible e incluso que su uso fue ligeramente superior. El modelo seleccionado alcanzó una precisión del 98.80% en validación. En conclusión, el estudio destacó el potencial de mejorar la detección al capturar imágenes con rangos más amplios de filtros NIR, permitiendo una mejor segmentación para el entrenamiento de redes siamesas y aumentar la capacidad de identificar y clasificar defectos en manzanas. Este novedoso enfoque de integrar múltiples espectros en la clasificación de defectos agrícolas muestra prometedoras aplicaciones en la mejora de procesos de selección y clasificación. Palabras Clave: Espectro cercano al infrarrojo (NIR), Aprendizaje profundo, Procesamiento de imágenes, Clasificación de defectos, Redes siamesas.	-
dc.format	application/pdf	-
dc.format.extent	77 página	-
dc.language.iso	spa	-
dc.publisher	ESPOL. FIEC	-
dc.rights	openAccess	-
dc.subject	Espectro cercano al infrarrojo (NIR)	-
dc.subject	Aprendizaje profundo	-
dc.subject	Procesamiento de imágenes	-
dc.subject	Clasificación de defectos	-
dc.subject	Redes siamesas	-
dc.title	Clasificación de defectos en manzanas usando aprendizaje profundo con imágenes del espectro visible y del espectro infrarrojo cercano	-
dc.type	Ingeniero en Ciencias Computacionales	-
dc.identifier.codigoespol	T-114089	-
dc.description.city	Guayaquil	-
dc.description.degree	Escuela Superior Politécnica del Litoral	-
dc.identifier.codigoproyectointegrador	TECH-340	-
dc.description.abstractenglish	This study addresses the classification of defects in apples, which is crucial for mitigating economic losses and optimizing the food supply chain. An innovative approach is proposed that integrates images from the visible spectrum and near-infrared (NIR) spectrum to improve accuracy and efficiency in defect detection, unlike previous research that focused on a single spectrum. The methodology involves using feedforward and siamese convolutional neural networks to process RGB-NIR images captured in parallel, following the steps of acquisition, preprocessing, training the classification model, and evaluating performance. The results demonstrated that defect detection using the NIR spectrum revealed details not visible in the visible spectrum and even showed slightly superior performance. The selected model achieved an accuracy of 98.80% on validation. In conclusion, the study highlighted the potential to improve detection by capturing images with broader ranges of NIR filters, enabling better segmentation for siamese network training and increasing the ability to identify and classify defects in apples. This novel approach of integrating multiple spectra in agricultural defect classification shows promising applications in improving selection and classification processes. Keywords: Near-infrared (NIR) spectrum, Deep learning, Image processing, Defect classification, Siamese networks.	-
Appears in Collections:	Tesis de Computación

Files in This Item:

File	Size	Format
T-114089-TECH-340.pdf	3.17 MB	Adobe PDF	View/Open

Show simple item record