Clasificación de imágenes hiperespectrales de frutas y verduras, mediante aprendizaje profundo.
En la actualidad la aplicación de técnicas de aprendizaje profundo (Deep Learning) para la clasificación de imágenes hiperespectrales ha permitido un mejor aprovechamiento de la información proporcionada por estas imágenes. Basados en este hecho, se presenta el uso de redes neuronales convolucionale...
- Autores:
-
Barrera Tulcán, Jair Sebastián
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2019
- Institución:
- Instituto Tecnológico Metropolitano
- Repositorio:
- Repositorio ITM
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.itm.edu.co:20.500.12622/2079
- Acceso en línea:
- http://hdl.handle.net/20.500.12622/2079
- Palabra clave:
- Imágenes hiperespectrales
Inteligencia artificial
Aprendizaje profundo
Espectro electromagnético
Neural networks (Computer science)
Algorithms
Machine learning
Vertical support machines
Redes neuronales (Computadores)
Algoritmos
Aprendizaje automático (Inteligencia artificial)
Máquinas de soporte vertical
- Rights
- License
- http://creativecommons.org/licenses/by-nc-nd/4.0/
id |
RepoITM2_78c8e36349633a1a2c6981ca9370b01b |
---|---|
oai_identifier_str |
oai:repositorio.itm.edu.co:20.500.12622/2079 |
network_acronym_str |
RepoITM2 |
network_name_str |
Repositorio ITM |
repository_id_str |
|
dc.title.spa.fl_str_mv |
Clasificación de imágenes hiperespectrales de frutas y verduras, mediante aprendizaje profundo. |
title |
Clasificación de imágenes hiperespectrales de frutas y verduras, mediante aprendizaje profundo. |
spellingShingle |
Clasificación de imágenes hiperespectrales de frutas y verduras, mediante aprendizaje profundo. Imágenes hiperespectrales Inteligencia artificial Aprendizaje profundo Espectro electromagnético Neural networks (Computer science) Algorithms Machine learning Vertical support machines Redes neuronales (Computadores) Algoritmos Aprendizaje automático (Inteligencia artificial) Máquinas de soporte vertical |
title_short |
Clasificación de imágenes hiperespectrales de frutas y verduras, mediante aprendizaje profundo. |
title_full |
Clasificación de imágenes hiperespectrales de frutas y verduras, mediante aprendizaje profundo. |
title_fullStr |
Clasificación de imágenes hiperespectrales de frutas y verduras, mediante aprendizaje profundo. |
title_full_unstemmed |
Clasificación de imágenes hiperespectrales de frutas y verduras, mediante aprendizaje profundo. |
title_sort |
Clasificación de imágenes hiperespectrales de frutas y verduras, mediante aprendizaje profundo. |
dc.creator.fl_str_mv |
Barrera Tulcán, Jair Sebastián |
dc.contributor.advisor.none.fl_str_mv |
Herrera Ramírez, Jorge Alexis |
dc.contributor.author.none.fl_str_mv |
Barrera Tulcán, Jair Sebastián |
dc.subject.spa.fl_str_mv |
Imágenes hiperespectrales Inteligencia artificial Aprendizaje profundo Espectro electromagnético |
topic |
Imágenes hiperespectrales Inteligencia artificial Aprendizaje profundo Espectro electromagnético Neural networks (Computer science) Algorithms Machine learning Vertical support machines Redes neuronales (Computadores) Algoritmos Aprendizaje automático (Inteligencia artificial) Máquinas de soporte vertical |
dc.subject.keywords.eng.fl_str_mv |
Neural networks (Computer science) Algorithms Machine learning Vertical support machines |
dc.subject.lemb.spa.fl_str_mv |
Redes neuronales (Computadores) Algoritmos Aprendizaje automático (Inteligencia artificial) Máquinas de soporte vertical |
description |
En la actualidad la aplicación de técnicas de aprendizaje profundo (Deep Learning) para la clasificación de imágenes hiperespectrales ha permitido un mejor aprovechamiento de la información proporcionada por estas imágenes. Basados en este hecho, se presenta el uso de redes neuronales convolucionales de dos dimensiones (2D-CNN) para la clasificación de 13 clases de frutas y verduras escogidas aleatoriamente, de una base de datos publica de 42 imágenes hiperespectrales. Para el desarrollo de este trabajo se parte de la selección de una arquitectura de aprendizaje profundo, con el fin de aplicarse en la clasificación de tres imágenes hiperespectrales construidas artificialmente usando partes extraídas de la base de datos de 42 imágenes hiperespectrales mencionada. Cada una de estas tres imágenes contiene las mismas clases, pero mezcladas espacialmente en diferentes formas. Estas imágenes se pre procesaron y generaron usando Matlab®. A partir de estas imágenes hiperespectrales, se procede a realizar el entrenamiento y predicción en lenguaje Python implementando librerías de TensorFlow. Se realizó una comparación de resultados de clasificación usando máquinas de soporte vectorial, técnica clásica de clasificación y esto mostró que la 2D-CNN tiene un mejor desempeño. La arquitectura 2D-CNN superó el 98% de precisión en la clasificación (para las tres imágenes generadas), y aunque con altos resultados en los tres casos, también se pudo observar que el modelo es dependiente de la forma en la que se distribuyen espacialmente los píxeles de cada clase en las imágenes hiperespectrales construidas para este trabajo. |
publishDate |
2019 |
dc.date.issued.none.fl_str_mv |
2019 |
dc.date.accessioned.none.fl_str_mv |
2020-08-25T02:34:05Z |
dc.date.available.none.fl_str_mv |
2020-08-25T02:34:05Z |
dc.type.local.spa.fl_str_mv |
Trabajo de grado de pregrado |
dc.type.coar.spa.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
format |
http://purl.org/coar/resource_type/c_7a1f |
dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/20.500.12622/2079 |
dc.identifier.instname.spa.fl_str_mv |
instname:Instituto Tecnológico Metropolitano |
dc.identifier.reponame.spa.fl_str_mv |
reponame:Repositorio Institucional Instituto Tecnológico Metropolitano |
dc.identifier.repourl.none.fl_str_mv |
repourl:https://repositorio.itm.edu.co/ |
url |
http://hdl.handle.net/20.500.12622/2079 |
identifier_str_mv |
instname:Instituto Tecnológico Metropolitano reponame:Repositorio Institucional Instituto Tecnológico Metropolitano repourl:https://repositorio.itm.edu.co/ |
dc.language.iso.none.fl_str_mv |
spa |
language |
spa |
dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
dc.rights.uri.*.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/4.0/ |
dc.rights.local.spa.fl_str_mv |
Acceso abierto |
dc.rights.creativecommons.*.fl_str_mv |
Attribution-NonCommercial-NoDerivatives 4.0 International |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-nd/4.0/ Acceso abierto Attribution-NonCommercial-NoDerivatives 4.0 International http://purl.org/coar/access_right/c_abf2 |
dc.format.medium.spa.fl_str_mv |
Recurso electrónico |
dc.format.mimetype.none.fl_str_mv |
application/pdf |
dc.coverage.spatial.spa.fl_str_mv |
Medellín - Antioquia - Colombia |
dc.publisher.spa.fl_str_mv |
Instituto Tecnológico Metropolitano |
dc.publisher.faculty.spa.fl_str_mv |
Facultad de Ingenierías |
dc.publisher.program.spa.fl_str_mv |
Ingeniería Mecatrónica |
dc.publisher.grantor.spa.fl_str_mv |
Instituto Tecnológico Metropolitano |
institution |
Instituto Tecnológico Metropolitano |
bitstream.url.fl_str_mv |
https://dspace-itm.metabuscador.org/bitstreams/33f4841b-39a5-49ec-b9e4-37dd8278b842/download https://dspace-itm.metabuscador.org/bitstreams/e4ab2080-fbbd-432e-a520-a82b2afe1f11/download https://dspace-itm.metabuscador.org/bitstreams/f6eec01e-1dc9-4394-bd50-f0fd0fbdd046/download https://dspace-itm.metabuscador.org/bitstreams/f77b0c20-2e81-4d62-98d1-cb96472cfa1f/download https://dspace-itm.metabuscador.org/bitstreams/ad9ff054-d810-443c-be67-c6c2c0ceab92/download https://dspace-itm.metabuscador.org/bitstreams/069dd610-57d8-4eb4-8800-17bc97be1405/download https://dspace-itm.metabuscador.org/bitstreams/6abc755c-c838-469f-87cc-d9d0d870a385/download |
bitstream.checksum.fl_str_mv |
6a639032f34bbada74c7b6e187144ef3 9384c2de2d1e44bef8399fa5b934efbc 8a4605be74aa9ea9d79846c1fba20a33 b522ff584f3593ed6e5390d41954b6c4 abc872809ca29771eb3c41974e194e83 7818c0f38fab29200002ce733d7ed538 0aaa3fec232f623c2a81108e97ecbf4f |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositorio Instituto Tecnológico Metropolitano de Medellín |
repository.mail.fl_str_mv |
bdigital@metabiblioteca.com |
_version_ |
1837096899849486336 |
spelling |
Herrera Ramírez, Jorge AlexisBarrera Tulcán, Jair SebastiánMedellín - Antioquia - Colombia2020-08-25T02:34:05Z2020-08-25T02:34:05Z2019http://hdl.handle.net/20.500.12622/2079instname:Instituto Tecnológico Metropolitanoreponame:Repositorio Institucional Instituto Tecnológico Metropolitanorepourl:https://repositorio.itm.edu.co/En la actualidad la aplicación de técnicas de aprendizaje profundo (Deep Learning) para la clasificación de imágenes hiperespectrales ha permitido un mejor aprovechamiento de la información proporcionada por estas imágenes. Basados en este hecho, se presenta el uso de redes neuronales convolucionales de dos dimensiones (2D-CNN) para la clasificación de 13 clases de frutas y verduras escogidas aleatoriamente, de una base de datos publica de 42 imágenes hiperespectrales. Para el desarrollo de este trabajo se parte de la selección de una arquitectura de aprendizaje profundo, con el fin de aplicarse en la clasificación de tres imágenes hiperespectrales construidas artificialmente usando partes extraídas de la base de datos de 42 imágenes hiperespectrales mencionada. Cada una de estas tres imágenes contiene las mismas clases, pero mezcladas espacialmente en diferentes formas. Estas imágenes se pre procesaron y generaron usando Matlab®. A partir de estas imágenes hiperespectrales, se procede a realizar el entrenamiento y predicción en lenguaje Python implementando librerías de TensorFlow. Se realizó una comparación de resultados de clasificación usando máquinas de soporte vectorial, técnica clásica de clasificación y esto mostró que la 2D-CNN tiene un mejor desempeño. La arquitectura 2D-CNN superó el 98% de precisión en la clasificación (para las tres imágenes generadas), y aunque con altos resultados en los tres casos, también se pudo observar que el modelo es dependiente de la forma en la que se distribuyen espacialmente los píxeles de cada clase en las imágenes hiperespectrales construidas para este trabajo.Ingeniero MecatrónicopregradoRecurso electrónicoapplication/pdfspaInstituto Tecnológico MetropolitanoFacultad de IngenieríasIngeniería MecatrónicaInstituto Tecnológico Metropolitanohttp://creativecommons.org/licenses/by-nc-nd/4.0/Acceso abiertoAttribution-NonCommercial-NoDerivatives 4.0 Internationalhttp://purl.org/coar/access_right/c_abf2Imágenes hiperespectralesInteligencia artificialAprendizaje profundoEspectro electromagnéticoNeural networks (Computer science)AlgorithmsMachine learningVertical support machinesRedes neuronales (Computadores)AlgoritmosAprendizaje automático (Inteligencia artificial)Máquinas de soporte verticalClasificación de imágenes hiperespectrales de frutas y verduras, mediante aprendizaje profundo.Trabajo de grado de pregradohttp://purl.org/coar/resource_type/c_7a1finfo:eu-repo/semantics/bachelorThesisPublicationORIGINALRep_Itm_pre_Barrera.pdfRep_Itm_pre_Barrera.pdfTrabajo de gradoapplication/pdf2036569https://dspace-itm.metabuscador.org/bitstreams/33f4841b-39a5-49ec-b9e4-37dd8278b842/download6a639032f34bbada74c7b6e187144ef3MD51trueAnonymousREADCarta_Autorizacion_Divulgacion_Barrera_2019.pdfCarta_Autorizacion_Divulgacion_Barrera_2019.pdfCarta autorizaciónapplication/pdf309724https://dspace-itm.metabuscador.org/bitstreams/e4ab2080-fbbd-432e-a520-a82b2afe1f11/download9384c2de2d1e44bef8399fa5b934efbcMD54falseAnonymousREAD2070-12-312070-12-31LICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://dspace-itm.metabuscador.org/bitstreams/f6eec01e-1dc9-4394-bd50-f0fd0fbdd046/download8a4605be74aa9ea9d79846c1fba20a33MD52falseAnonymousREADTHUMBNAILRep_Itm_pre_Barrera.pdf.jpgRep_Itm_pre_Barrera.pdf.jpgGenerated Thumbnailimage/jpeg3498https://dspace-itm.metabuscador.org/bitstreams/f77b0c20-2e81-4d62-98d1-cb96472cfa1f/downloadb522ff584f3593ed6e5390d41954b6c4MD53falseAnonymousREADCarta_Autorizacion_Divulgacion_Barrera_2019.pdf.jpgCarta_Autorizacion_Divulgacion_Barrera_2019.pdf.jpgGenerated Thumbnailimage/jpeg7146https://dspace-itm.metabuscador.org/bitstreams/ad9ff054-d810-443c-be67-c6c2c0ceab92/downloadabc872809ca29771eb3c41974e194e83MD55falseAnonymousREADTEXTRep_Itm_pre_Barrera.pdf.txtRep_Itm_pre_Barrera.pdf.txtExtracted texttext/plain100973https://dspace-itm.metabuscador.org/bitstreams/069dd610-57d8-4eb4-8800-17bc97be1405/download7818c0f38fab29200002ce733d7ed538MD56falseAnonymousREADCarta_Autorizacion_Divulgacion_Barrera_2019.pdf.txtCarta_Autorizacion_Divulgacion_Barrera_2019.pdf.txtExtracted texttext/plain4180https://dspace-itm.metabuscador.org/bitstreams/6abc755c-c838-469f-87cc-d9d0d870a385/download0aaa3fec232f623c2a81108e97ecbf4fMD57falseAnonymousREAD2070-12-312070-12-3120.500.12622/2079oai:dspace-itm.metabuscador.org:20.500.12622/20792025-06-24 09:26:02.387http://creativecommons.org/licenses/by-nc-nd/4.0/open.accesshttps://dspace-itm.metabuscador.orgRepositorio Instituto Tecnológico Metropolitano de Medellínbdigital@metabiblioteca.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 |