Desarrollo de un prototipo funcional de software para estimar la producción de cacao, haciendo uso de herramientas de aprendizaje profundo y visión por computador

Este proyecto, presenta el diseño y desarrollo de una aplicación móvil funcional capaz de estimar la producción de cacao, que propone la implementación de técnicas de visión por computador y aprendizaje profundo. Esto se debe a que la detección de objetos en la agricultura es importante para estimar...

Full description

Autores:
Cala Pinzón, Karol Daniela
Hernández Flórez, Lisseth Andrea
Parra Muñoz, Cristian David
Tipo de recurso:
Trabajo de grado de pregrado
Fecha de publicación:
2021
Institución:
Universidad Autónoma de Bucaramanga - UNAB
Repositorio:
Repositorio UNAB
Idioma:
spa
OAI Identifier:
oai:repository.unab.edu.co:20.500.12749/16073
Acceso en línea:
http://hdl.handle.net/20.500.12749/16073
Palabra clave:
Systems engineer
Technological innovations
Mobile app
Decision making
Computer vision
Prototype development
Artificial intelligence
Computer simulation
Ingeniería de sistemas
Innovaciones tecnológicas
Desarrollo de prototipos
Software
Inteligencia artificial
Simulación por computadores
Aplicación móvil
Toma de decisiones
Visión por computador
Rights
License
http://creativecommons.org/licenses/by-nc-nd/2.5/co/
id UNAB2_1564edd3c352b259e3c04ce755fe5997
oai_identifier_str oai:repository.unab.edu.co:20.500.12749/16073
network_acronym_str UNAB2
network_name_str Repositorio UNAB
repository_id_str
dc.title.spa.fl_str_mv Desarrollo de un prototipo funcional de software para estimar la producción de cacao, haciendo uso de herramientas de aprendizaje profundo y visión por computador
dc.title.translated.spa.fl_str_mv Development of a functional software prototype to estimate cocoa production, using deep learning tools and computer vision
title Desarrollo de un prototipo funcional de software para estimar la producción de cacao, haciendo uso de herramientas de aprendizaje profundo y visión por computador
spellingShingle Desarrollo de un prototipo funcional de software para estimar la producción de cacao, haciendo uso de herramientas de aprendizaje profundo y visión por computador
Systems engineer
Technological innovations
Mobile app
Decision making
Computer vision
Prototype development
Artificial intelligence
Computer simulation
Ingeniería de sistemas
Innovaciones tecnológicas
Desarrollo de prototipos
Software
Inteligencia artificial
Simulación por computadores
Aplicación móvil
Toma de decisiones
Visión por computador
title_short Desarrollo de un prototipo funcional de software para estimar la producción de cacao, haciendo uso de herramientas de aprendizaje profundo y visión por computador
title_full Desarrollo de un prototipo funcional de software para estimar la producción de cacao, haciendo uso de herramientas de aprendizaje profundo y visión por computador
title_fullStr Desarrollo de un prototipo funcional de software para estimar la producción de cacao, haciendo uso de herramientas de aprendizaje profundo y visión por computador
title_full_unstemmed Desarrollo de un prototipo funcional de software para estimar la producción de cacao, haciendo uso de herramientas de aprendizaje profundo y visión por computador
title_sort Desarrollo de un prototipo funcional de software para estimar la producción de cacao, haciendo uso de herramientas de aprendizaje profundo y visión por computador
dc.creator.fl_str_mv Cala Pinzón, Karol Daniela
Hernández Flórez, Lisseth Andrea
Parra Muñoz, Cristian David
dc.contributor.advisor.none.fl_str_mv Talero Sarmiento, Leonardo Hernán
Parra Sánchez, Diana Teresa
Moreno Corzo, Feisar Enrique
Nieves Peña, Néstor Edsgardo
dc.contributor.author.none.fl_str_mv Cala Pinzón, Karol Daniela
Hernández Flórez, Lisseth Andrea
Parra Muñoz, Cristian David
dc.contributor.cvlac.spa.fl_str_mv Talero Sarmiento, Leonardo Hernán [0000031387]
Parra Sánchez, Diana Teresa [0001476224]
Moreno Corzo, Feisar Enrique [0001499008]
Nieves Peña, Néstor Edsgardo [0001597250]
dc.contributor.googlescholar.spa.fl_str_mv Parra Sánchez, Diana Teresa [es&oi=ao]
Moreno Corzo, Feisar Enrique [es&oi=ao]
dc.contributor.orcid.spa.fl_str_mv Talero Sarmiento, Leonardo Hernán [0000-0002-4129-9163]
Parra Sánchez, Diana Teresa [0000-0002-7649-0849]
Moreno Corzo, Feisar Enrique [0000-0002-5007-3422]
dc.contributor.scopus.spa.fl_str_mv Parra Sánchez, Diana Teresa [57195677014]
dc.contributor.researchgate.spa.fl_str_mv Talero Sarmiento, Leonardo Hernán [Leonardo-Talero]
Parra Sánchez, Diana Teresa [Diana-Parra-Sanchez-2]
dc.subject.keywords.spa.fl_str_mv Systems engineer
Technological innovations
Mobile app
Decision making
Computer vision
Prototype development
Artificial intelligence
Computer simulation
topic Systems engineer
Technological innovations
Mobile app
Decision making
Computer vision
Prototype development
Artificial intelligence
Computer simulation
Ingeniería de sistemas
Innovaciones tecnológicas
Desarrollo de prototipos
Software
Inteligencia artificial
Simulación por computadores
Aplicación móvil
Toma de decisiones
Visión por computador
dc.subject.lemb.spa.fl_str_mv Ingeniería de sistemas
Innovaciones tecnológicas
Desarrollo de prototipos
Software
Inteligencia artificial
Simulación por computadores
dc.subject.proposal.spa.fl_str_mv Aplicación móvil
Toma de decisiones
Visión por computador
description Este proyecto, presenta el diseño y desarrollo de una aplicación móvil funcional capaz de estimar la producción de cacao, que propone la implementación de técnicas de visión por computador y aprendizaje profundo. Esto se debe a que la detección de objetos en la agricultura es importante para estimar la producción de un cultivo, porque incrementa la certeza en la toma de decisiones por parte de un agricultor, por consiguiente, el diseño propuesto realiza un conteo de las mazorcas de cacao que se encuentran en tres estados de sanidad, ya sea con presencia de monilia, fitóftora o completamente sanas. La aplicación planteada hace uso de una cámara de un dispositivo móvil y el sistema operativo Android. Los elementos presentes en el sistema, son un modelo de aprendizaje de máquina entrenado, un conjunto de datos, y tecnologías que apoyan el proceso de desarrollo de software. En primera instancia, se realiza una revisión de la literatura para profundizar sobre las técnicas, tecnologías, y métricas asociadas con visión artificial y que puedan ser aplicadas en el proyecto. Luego, se propone la selección de un conjunto de imágenes con Theobroma cacao. Asimismo, se plantea la adaptación de un modelo de aprendizaje profundo con una definición de parámetros e hiper parámetros, para posteriormente proponer un diseño y desarrollo de un prototipo móvil que detecta, clasifica y localiza las mazorcas de cacao con sus respectivos estados de sanidad, y a su vez estima la producción en términos de kilogramos de granos de cacao seco, teniendo en cuenta la variedad indicada por el usuario. Los resultados obtenidos dejan la evaluación de 8 modelos, en donde el mejor obtiene una mAP de 80.09% y se determina la incidencia de variables asociadas al balanceo sobre la precisión.
publishDate 2021
dc.date.issued.none.fl_str_mv 2021
dc.date.accessioned.none.fl_str_mv 2022-03-25T20:48:37Z
dc.date.available.none.fl_str_mv 2022-03-25T20:48:37Z
dc.type.driver.none.fl_str_mv info:eu-repo/semantics/bachelorThesis
dc.type.local.spa.fl_str_mv Trabajo de Grado
dc.type.coar.none.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
dc.type.redcol.none.fl_str_mv http://purl.org/redcol/resource_type/TP
format http://purl.org/coar/resource_type/c_7a1f
dc.identifier.uri.none.fl_str_mv http://hdl.handle.net/20.500.12749/16073
dc.identifier.instname.spa.fl_str_mv instname:Universidad Autónoma de Bucaramanga - UNAB
dc.identifier.reponame.spa.fl_str_mv reponame:Repositorio Institucional UNAB
dc.identifier.repourl.spa.fl_str_mv repourl:https://repository.unab.edu.co
url http://hdl.handle.net/20.500.12749/16073
identifier_str_mv instname:Universidad Autónoma de Bucaramanga - UNAB
reponame:Repositorio Institucional UNAB
repourl:https://repository.unab.edu.co
dc.language.iso.spa.fl_str_mv spa
language spa
dc.relation.references.spa.fl_str_mv AlexeyAB/darknet: YOLOv4 / Scaled-YOLOv4 / YOLO - Neural Networks for Object Detection (Windows and Linux version of Darknet). (2020). Retrieved May 5, 2021, from https://github.com/AlexeyAB/darknet
Ali Süzen, A., Gürfidan, R., Kayaalp, K., & Ali Şimşek, M. (2020). Information Technology and Computer Science. Information Technology and Computer Science, 2, 18–23. https://doi.org/10.5815/ijitcs.2020.02.02
Andriod Developers. (2020). Android Studio. https://developer.android.com/studio/
Android Studio Developer. (2020). Introducción a Android Studio. https://developer.android.com/studio/intro#top_of_page
Argout, X., Salse, J., Aury, J.-M., Guiltinan, M. J., Droc, G., Gouzy, J., Allegre, M., Chaparro, C., Legavre, T., Maximova, S. N., Abrouk, M., Murat, F., Fouet, O., Poulain, J., Ruiz, M., Roguet, Y., Rodier-Goud, M., Barbosa-Neto, J. F., Sabot, F., … Lanaud, C. (2011). The genome of Theobroma cacao. Nature Genetics, 43(2), 101–108. https://doi.org/10.1038/ng.736
Bargoti, S., & Underwood, J. P. (2017). Image Segmentation for Fruit Detection and Yield Estimation in Apple Orchards. Journal of Field Robotics, 34(6), 1039– 1060. https://doi.org/https://doi.org/10.1002/rob.21699
Beitzel, S. M., Jensen, E. C., & Frieder, O. (2009). MAP. Encyclopedia of Database Systems. (2009). In Encyclopedia of Database Systems. Springer US. https://doi.org/10.1007/978-0-387-39940
Bhardwaj, K. K., Banyal, S., & Sharma, D. K. (2019). Chapter 7 - Artificial Intelligence Based Diagnostics, Therapeutics and Applications in Biomedical Engineering and Bioinformatics (V. E. Balas, L. H. Son, S. Jha, M. Khari, & R. B. T.-I. of T. in B. E. Kumar (eds.); pp. 161–187). Academic Press. https://doi.org/https://doi.org/10.1016/B978-0-12-817356-5.00009-7
Bochkovskiy, A., Wang, C.-Y., & Liao, H.-Y. M. (n.d.). YOLOv4: Optimal Speed and Accuracy of Object Detection. Retrieved May 1, 2021, from https://arxiv.org/abs/2004.10934
Bresilla, K., Perulli, G. D., Boini, A., Morandi, B., Grappadelli, L. C., & Manfrini, L. (2020). Comparing deep-learning networks for apple fruit detection to classical hard-coded algorithms. Acta Horticulturae, 1279, 209–216. https://doi.org/10.17660/ActaHortic.2020.1279.31
Burger, W., & Burge, M. J. (2016). Digital image processing: an algorithmic introduction using Java. Springer.
Buzzy, M., Thesma, V., Davoodi, M., & Mohammadpour Velni, J. (2020). Real-Time Plant Leaf Counting Using Deep Object Detection Networks. In Sensors (Vol. 20, Issue 23). https://doi.org/10.3390/s20236896
Cai, Y., Li, H., Yuan, G., Niu, W., Li, Y., Tang, X., & Wang, Y. (2021). YOLObile: Real-Time Object Detection on Mobile Devices via Compression-Compilation Co-Design. www.aaai.org
Cecotti, H., Rivera, A., Farhadloo, M., & Pedroza, M. A. (2020). Grape detection with convolutional neural networks. Expert Systems with Applications, 159, 113588. https://doi.org/10.1016/j.eswa.2020.113588
CMake. (2021). Retrieved May 5, 2021, from https://cmake.org/
Colorizer. (2020). http://colorizer.org/
CUDA Zone | NVIDIA Developer. (2021). Retrieved May 5, 2021, from https://developer.nvidia.com/cuda-zone
De La Cruz Medina, J., Vargas Ortiz, M., Del Angel Coronel, O. (2011). CACAO: Operaciones Poscosecha. http://www.fao.org/3/a-au995s
Dostert, N., Asunción Cano, José Roque., La Torre, María I., W. M. (2011, October). Hoja botánica: Cacao. http://www.botconsult.com/downloads/Hoja_Botanica_Cacao_2012.pdf
Everingham, M., Luc, ·, Gool, V., Christopher, ·, Williams, K. I., Winn, J., Zisserman, A., Everingham, M., Van Gool, L., Leuven, K. U., Williams, B. C. K. I., Winn, J., & Zisserman, A. (2010). The PASCAL Visual Object Classes (VOC) Challenge. Retrieved May 5, 2021, from http://www.flickr.com/
Factors influencing smallholder cocoa production: a management analysis of behavioural decision-making processes of technology adoption and application. (1996). Retrieved September 4, 2020, from https://library.wur.nl/WebQuery/wurpubs/35987
FAOSTAT. (n.d.). Retrieved April 13, 2021, from http://www.fao.org/faostat/en/#data/QC/metadat
FEDECACAO y los Cacaocultores, le apuestan a la certificación en Buenas Prácticas Agrícolas. (Abril de 2019). Colombia Cacaotera, p.6. Recuperado de www.fedecacao.com.co
Fedecacao. (2005). CARACTERIZACIÓN FISÍCOQUÍMICA Y BENEFICIO DEL GRANO DE CACAO (Theobroma cacao L.) EN COLOMBIA. https://www.fedecacao.com.co/portal/images/recourses/pub_doctecnicos/fe decacao-pub-doc_09B.pdf
Fountain, A., & Hütz-Adams, F. (2015). 2015 Cocoa Barometer (USA edition). Retrieved from Barometer Consortium website: http://evols.library.manoa.hawaii.edu/handle/10524/48573
Fountain, A., & Hütz-Adams, F. (2018). Cocoa Barometer 2018. Retrieved from VOICE Network website: https://www.voicenetwork.eu/wpcontent/uploads/2019/07/2018-Cocoa-Barometer.pdf
Fountain, A., & Hütz-Adams, F. (2020). Cocoa Barometer 2020. Retrieved from VOICE Network website: https://www.voicenetwork.eu/wpcontent/uploads/2021/03/2020-Cocoa-Barometer-EN.pdf
Franceschetti, D. R. (Ed.). (2018). Principles of Robotics & Artificial Intelligence
Fu, L., Gao, F., Wu, J., Li, R., Karkee, M., & Zhang, Q. (2020, October 1). Application of consumer RGB-D cameras for fruit detection and localization in field: A critical review. Computers and Electronics in Agriculture, Vol. 177, p. 105687. https://doi.org/10.1016/j.compag.2020.105687
Gayi, S. K., & Tsowou, K. (2017). Cocoa Industry. https://doi.org/10.18356/cfb75b0e-en
Gené-Mola, J., Gregorio, E., Auat Cheein, F., Guevara, J., Llorens, J., SanzCortiella, R., Escolà, A., & Rosell-Polo, J. R. (2020). Fruit detection, yield prediction and canopy geometric characterization using LiDAR with forced air flow. Computers and Electronics in Agriculture, 168. https://doi.org/10.1016/j.compag.2019.105121
Gonzalez, R. C., & Woods, R. E. (2018). Digital Image Processing (Fourth).
Google Colaboratory. (2020). Google Colaboratory. https://colab.research.google.com/notebooks/intro.ipynb#recent=true
Habibi Aghdam, H., & Jahani Heravi, E. (2017). Guide to Convolutional Neural Networks. Springer International Publishing. https://doi.org/10.1007/978-3319-57550-6
Heredia Gómez, J. F., & Talero Sarmiento, L. H. (2020). Cocoa Ripeness Dataset TCS 01. https://www.kaggle.com/juanfelipeheredia/cocoa-ripeness-datasettcs-01
Hùng, V. (2020). Tensorflow-yolov4-tflite. https://github.com/hunglc007/tensorflowyolov4-tflite
ILRF (2014). The fairness gap: Farmer incomes and solutions to child labor in cocoa. Washington, DC, International Labor Rights Forum
Jhuria, M., Kumar, A., & Borse, R. (2013). Image processing for smart farming: Detection of disease and fruit grading. 2013 IEEE Second International Conference on Image Information Processing (ICIIP-2013), 521–526. https://doi.org/10.1109/ICIIP.2013.6707647
Jiang, Z., Zhao, L., Li, S., Jia, Y., & Liquan, Z. (n.d.). Real-time object detection method for embedded devices.
Kang, H., & Chen, C. (2020). Fast implementation of real-time fruit detection in apple orchards using deep learning. Computers and Electronics in Agriculture, 168, 105108. https://doi.org/10.1016/j.compag.2019.105
Kim, P. (2017). Deep Learning BT - MATLAB Deep Learning: With Machine Learning, Neural Networks and Artificial Intelligence. Apress. https://doi.org/10.1007/978-1-4842-2845-6_5
Kirk, R., Cielniak, G., & Mangan, M. (2020). L*a*b*Fruits: A Rapid and Robust Outdoor Fruit Detection System Combining Bio-Inspired Features with OneStage Deep Learning Networks. In Sensors (Vol. 20, Issue 1). https://doi.org/10.3390/s20010275
Koirala, A., Walsh, K. B., Wang, Z., & McCarthy, C. (2019). Deep learning – Method overview and review of use for fruit detection and yield estimation. In Computers and Electronics in Agriculture (Vol. 162, pp. 219–234). Elsevier B.V. https://doi.org/10.1016/j.compag.2019.04.017
Konica Minolta. (2020). Entendiendo El Espacio de Color CIE L*A*B*. https://sensing.konicaminolta.us/mx/blog/entendiendo-el-espacio-de-colorcie-lab/
Krig, S. (2014). Computer Vision Metrics: Survey, Taxonomy, and Analysis (Vol. 9781430259305). https://doi.org/10.1007/978-1-4302-5930-5
Liu, X., Chen, S. W., Liu, C., Shivakumar, S. S., Das, J., Taylor, C. J., … Kumar, V. (2019). Monocular Camera Based Fruit Counting and Mapping with Semantic Data Association. IEEE Robotics and Automation Letters, 4(3), 2296–2303. https://doi.org/10.1109/LRA.2019.2901987
Maldonado, W., & Barbosa, J. C. (2016). Automatic green fruit counting in orange trees using digital images. Computers and Electronics in Agriculture, 127, 572–581. https://doi.org/10.1016/j.compag.2016.07.
Martínez Guerrero, N. (2016). Aportes de la investigación de FEDECACAO –Fondo Nacional del Cacao al incremento de la productividad y reconocimiento de la calidad del cacao de Colombia
Mitchell, T. M. (1997). Machine Learning. McGraw-Hill Science/Engineering/Math
Mite-Baidal, K., Solís-Avilés, E., Martínez-Carriel, T., Marcillo-Plaza, A., Cruz-Ibarra, E., & Baque-Bustamante, W. (2019). Analysis of Computer Vision Algorithms to Determine the Quality of Fermented Cocoa (Theobroma Cacao): Systematic Literature Review. Advances in Intelligent Systems and Computing, 901, 79–87. https://doi.org/10.1007/978-3-030-10728-4_9
Mordvintsev, A., & Abid K. (2013). Fourier Transform. https://opencv-pythontutroals.readthedocs.io/en/latest/py_tutorials/py_imgproc/py_transforms/py_f ourier_transform/py_fourier_transform.html
Motamayor, J. C., Lachenaud, P., da Silva e Mota, J. W., Loor, R., Kuhn, D. N., Brown, J. S., & Schnell, R. J. (2008). Geographic and Genetic Population Differentiation of the Amazonian Chocolate Tree (Theobroma cacao L). PLoS ONE, 3(10), e3311. https://doi.org/10.1371/journal.pone.0003311
NVIDIA cuDNN | NVIDIA Developer. (2021). Retrieved May 5, 2021, from https://developer.nvidia.com/cudnn
OpenCV - OpenCV. (2021). Retrieved May 5, 2021, from https://opencv.org
OpenCV. (2015). Introduction to SURF (Speeded-Up Robust Features). https://docs.opencv.org/master/df/dd2/tutorial_py_surf_intro.html
Pacto por Colombia, pacto por la equidad. (2018). Plan Nacional de Desarrollo. Recuperado de https://colaboracion.dnp.gov.co/CDT/Prensa/ResumenPND2018-2022-final.pdf
Patel, H., Jiménez, A., Ceres, R., Annamalai, P., & Lee, W. (2013). A Survey of Computer Vision Methods for Counting Fruits and Yield Prediction
PDD-Santander. (2020). Santander siempre contigo y para el mundo Plan de Desarrollo Departamental 2020-2023. Planeación Departamental, 53(9), 1689.
Python Software Foundation. (2016). Python Package Index. LabelImg. https://pypi.org/project/labelImg/
Rahnemoonfar, M., & Sheppard, C. (2017). Deep Count: Fruit Counting Based on Deep Simulated Learning. Sensors, 17(4), 905. https://doi.org/10.3390/s17040905
Redacción Economía. (20 de Agosto de 2020). El Espectador: Gobierno presentó proyecto de ley para incluir a Colombia en Organización Internacional del Cacao. Recuperado de https://www.elespectador.com/
Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2018). You Only Look Once: Unified, Real-Time Object Detection. Retrieved from http://pjreddie.com/yolo/
Russell, S. J., Norvig, P., Canny, J. F., Malik, J. M., Edwards, D. D., Jonathan, S. J. S., & Norvig, P. (1995). Arificial Intelligence: A Modern Approach. Alan Apt
Sánchez, V., Z ambrano, J., & Iglesias, C. (2019). La cadena de valor del cacao en América Latina y el Caribe. Retrieved from: http://repositorio.iniap.gob.ec/handle/41000/5382
Schuld, M., & Petruccione, F. (2018). Machine Learning. In Supervised Learning with Quantum Computers (pp. 21–73). Springer International Publishing. https://doi.org/10.1007/978-3-319-96424-9_2
Serrano, S., & Heredia Gómez, J. F. (2020). Cocoa Diseases (YOLOv4). https://www.kaggle.com/serranosebas/enfermedades-cacao-yolov4
Shorten, C., & Khoshgoftaar, T. M. (2019). A survey on Image Data Augmentation for Deep Learning. Journal of Big Data, 6(1), 60. https://doi.org/10.1186/s40537-019-0197-0
Solomon, C., & Breckon, T. (2011). Fundamentals of Digital Image Processing. https://doi.org/doi:10.1002/9780470689776.
Tan, D. S., Leong, R. N., Laguna, A. F., Ngo, C. A., Lao, A., Amalin, D., & Alvindia, D. (2016). A framework for measuring infection level on cacao pods. 2016 IEEE Region 10 Symposium (TENSYMP), 384–389. https://doi.org/10.1109/TENCONSpring.2016.7519437
Vasconez, J. P., Delpiano, J., Vougioukas, S., & Auat Cheein, F. (2020). Comparison of convolutional neural networks in fruit detection and counting: A comprehensive evaluation. Computers and Electronics in Agriculture, 173, 105348. https://doi.org/10.1016/j.compag.2020.105348
Voora, V., Bermúdez, S., & Larrea, C. (2019). Global Market Report: Cocoa. International Institute for Sustainable Development.
Wan, S., & Goudos, S. (2020). Faster R-CNN for multi-class fruit detection using a robotic vision system. Computer Networks, 168, 107036. https://doi.org/10.1016/j.comnet.2019.107036
Wang, C.-Y., Liao, H.-Y. M., Yeh, I.-H., Wu, Y.-H., Chen, P.-Y., & Hsieh, J.-W. (2019). CSPNET: A NEW BACKBONE THAT CAN ENHANCE LEARNING CAPABILITY OF CNN A PREPRINT. https://github.com/WongKinYiu/CrossStagePartialNetworks.
Wang, Q., Nuske, S., Bergerman, M., & Singh, S. (2013). Automated Crop Yield Estimation for Apple Orchards. In J. P. Desai, G. Dudek, O. Khatib, & V. Kumar (Eds.), Experimental Robotics: The 13th International Symposium on Experimental Robotics (pp. 745–758). Springer International Publishing. https://doi.org/10.1007/978-3-319-00065-7_50
White, S., & Kennedy, J. (2018). CMY and CMYK Color Spaces. https://docs.microsoft.com/en-us/windows/win32/wcs/cmy-and-cmyk-colorspaces
Zhang, B., Gao, Y., Zhao, S., & Liu, J. (2010). Local Derivative Pattern Versus Local Binary Pattern: Face Recognition With High-Order Local Pattern Descriptor. IEEE Transactions on Image Processing, 19(2), 533–544. https://doi.org/10.1109/TIP.2009.2035882
Zhou, Z., Song, Z., Fu, L., Gao, F., Li, R., & Cui, Y. (2020). Real-time kiwifruit detection in orchard using deep learning on AndroidTM smartphones for yield estimation. Computers and Electronics in Agriculture, 179, 105856. https://doi.org/10.1016/j.compag.2020.105856
Zou, H., Lu, H., Li, Y., Liu, L., & Cao, Z. (2020). Maize tassels detection: a benchmark of the state of the art. Plant Methods, 16(1), 1–15. https://doi.org/10.1186/s13007-020-00651-z
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/2.5/co/
dc.rights.local.spa.fl_str_mv Abierto (Texto Completo)
dc.rights.creativecommons.*.fl_str_mv Atribución-NoComercial-SinDerivadas 2.5 Colombia
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-nd/2.5/co/
Abierto (Texto Completo)
Atribución-NoComercial-SinDerivadas 2.5 Colombia
http://purl.org/coar/access_right/c_abf2
dc.format.mimetype.spa.fl_str_mv application/pdf
dc.coverage.spatial.spa.fl_str_mv Colombia
dc.coverage.campus.spa.fl_str_mv UNAB Campus Bucaramanga
dc.publisher.grantor.spa.fl_str_mv Universidad Autónoma de Bucaramanga UNAB
dc.publisher.faculty.spa.fl_str_mv Facultad Ingeniería
dc.publisher.program.spa.fl_str_mv Pregrado Ingeniería de Sistemas
institution Universidad Autónoma de Bucaramanga - UNAB
bitstream.url.fl_str_mv https://repository.unab.edu.co/bitstream/20.500.12749/16073/1/2021_Tesis_Karol_Daniela_Cala.pdf
https://repository.unab.edu.co/bitstream/20.500.12749/16073/2/2021_Licencia_Karol_Daniela_Cala.pdf
https://repository.unab.edu.co/bitstream/20.500.12749/16073/3/license.txt
https://repository.unab.edu.co/bitstream/20.500.12749/16073/4/2021_Tesis_Karol_Daniela_Cala.pdf.jpg
https://repository.unab.edu.co/bitstream/20.500.12749/16073/5/2021_Licencia_Karol_Daniela_Cala.pdf.jpg
bitstream.checksum.fl_str_mv 0261d36eb13e817be3ab607da29562ea
aa96fe397c19653680cb875d5a7b3718
3755c0cfdb77e29f2b9125d7a45dd316
b936c7b97fae48fc01e4b2e3b47c2e56
6dcff00edc6ecfa161d14f587350577d
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Institucional | Universidad Autónoma de Bucaramanga - UNAB
repository.mail.fl_str_mv repositorio@unab.edu.co
_version_ 1814277312963674112
spelling Talero Sarmiento, Leonardo Hernán52f3ced8-d447-4a4d-a30c-74958c9587aaParra Sánchez, Diana Teresab54c5459-8258-4cdc-87a0-aa8ff784c5a1Moreno Corzo, Feisar Enriqueee761f02-1ce9-473f-b811-9b495af86e41Nieves Peña, Néstor Edsgardoe5abab2b-26cd-4a4f-aa2e-c33654391e4fCala Pinzón, Karol Daniela93e1f6ba-e4ec-40ed-8c4c-164f7fb8c26fHernández Flórez, Lisseth Andrea820855b6-6765-4cc5-88b3-c79f3912b112Parra Muñoz, Cristian David7d83a3c8-0c4b-4aae-af51-941e4d2d1931Talero Sarmiento, Leonardo Hernán [0000031387]Parra Sánchez, Diana Teresa [0001476224]Moreno Corzo, Feisar Enrique [0001499008]Nieves Peña, Néstor Edsgardo [0001597250]Parra Sánchez, Diana Teresa [es&oi=ao]Moreno Corzo, Feisar Enrique [es&oi=ao]Talero Sarmiento, Leonardo Hernán [0000-0002-4129-9163]Parra Sánchez, Diana Teresa [0000-0002-7649-0849]Moreno Corzo, Feisar Enrique [0000-0002-5007-3422]Parra Sánchez, Diana Teresa [57195677014]Talero Sarmiento, Leonardo Hernán [Leonardo-Talero]Parra Sánchez, Diana Teresa [Diana-Parra-Sanchez-2]ColombiaUNAB Campus Bucaramanga2022-03-25T20:48:37Z2022-03-25T20:48:37Z2021http://hdl.handle.net/20.500.12749/16073instname:Universidad Autónoma de Bucaramanga - UNABreponame:Repositorio Institucional UNABrepourl:https://repository.unab.edu.coEste proyecto, presenta el diseño y desarrollo de una aplicación móvil funcional capaz de estimar la producción de cacao, que propone la implementación de técnicas de visión por computador y aprendizaje profundo. Esto se debe a que la detección de objetos en la agricultura es importante para estimar la producción de un cultivo, porque incrementa la certeza en la toma de decisiones por parte de un agricultor, por consiguiente, el diseño propuesto realiza un conteo de las mazorcas de cacao que se encuentran en tres estados de sanidad, ya sea con presencia de monilia, fitóftora o completamente sanas. La aplicación planteada hace uso de una cámara de un dispositivo móvil y el sistema operativo Android. Los elementos presentes en el sistema, son un modelo de aprendizaje de máquina entrenado, un conjunto de datos, y tecnologías que apoyan el proceso de desarrollo de software. En primera instancia, se realiza una revisión de la literatura para profundizar sobre las técnicas, tecnologías, y métricas asociadas con visión artificial y que puedan ser aplicadas en el proyecto. Luego, se propone la selección de un conjunto de imágenes con Theobroma cacao. Asimismo, se plantea la adaptación de un modelo de aprendizaje profundo con una definición de parámetros e hiper parámetros, para posteriormente proponer un diseño y desarrollo de un prototipo móvil que detecta, clasifica y localiza las mazorcas de cacao con sus respectivos estados de sanidad, y a su vez estima la producción en términos de kilogramos de granos de cacao seco, teniendo en cuenta la variedad indicada por el usuario. Los resultados obtenidos dejan la evaluación de 8 modelos, en donde el mejor obtiene una mAP de 80.09% y se determina la incidencia de variables asociadas al balanceo sobre la precisión.1 INTRODUCCIÓN 13 2 PLANTEAMIENTO DEL PROBLEMA 14 3 OBJETIVOS 17 3.1 OBJETIVO GENERAL ............................................................................. 17 3.2 OBJETIVOS ESPECÍFICOS .................................................................... 17 4 MARCO REFERENCIAL 18 4.1 MARCO CONCEPTUAL .......................................................................... 18 4.1.1 Visión por Computador (Computer Vision) 18 4.1.2 Theobroma Cacao 18 4.1.3 Producción de cacao 18 4.1.4 Red Neuronal (Neural Network) 18 4.2 MARCO TEÓRICO ................................................................................... 18 4.2.1 Periodo De Producción (Cacao) 18 4.2.2 Variedades De Cacao 19 4.2.3 Rendimiento De Cacao. 21 4.2.4 Espacios De Color 21 4.2.5 Métodos de preprocesamiento de imágenes 23 4.2.6 Representación De Imágenes Digitales 25 4.2.7 Operaciones Matriciales Y Vectoriales 26 4.2.8 Borde 26 4.2.9 Inteligencia Artificial 26 4.2.10 Data Agumentation 27 4.2.11 Aprendizaje Automático 30 4.2.12 Redes Neuronales 30 4.2.13 Aprendizaje Profundo 32 4.2.14 Redes Neuronales Convolucionales 32 4.2.15 YOLO 33 4.2.16 Colab 34 4.2.17 Android Studio 34 4.2.18 LabelImg 35 5 METODOLOGÍA 36 6 ANÁLISIS DEL ESTADO DEL ARTE 38 6.1 ANÁLISIS DETALLADO DEL ESTADO DEL ARTE ............................... 49 7 ADAPTACIÓN DEL MODELO DE APRENDIZAJE 53 7.1 ADQUISICIÓN DE DATOS ...................................................................... 53 7.2 ANÁLISIS Y SELECCIÓN DEL CONJUNTO DE DATOS PARA EL ENTRENAMIENTO .......................................................................................... 55 7.3 LIMPIEZA Y ETIQUETADO ..................................................................... 57 7.4 ELECCIÓN DEL MODELO DE APRENDIZAJE MÁQUINA .................... 58 7.5 DESCRIPCIÓN DE YOLOv4 .................................................................... 60 7.6 ENTRENAMIENTO................................................................................... 62 7.7 DEPENDENCIAS DEL ENTRENAMIENTO ............................................. 64 7.8 CONFIGURACIÓN DEL ENTORNO DE EJECUCIÓN ............................ 65 7.9 CARGA Y PREPARACIÓN DEL CONJUNTO DE IMÁGENES ............... 66 7.10 CONFIGURACIÓN DE LA RED NEURONAL .......................................... 67 7.11 PESOS PREENTRENADOS .................................................................... 68 7.12 EJECUCIÓN DEL ENTRENAMIENTO ..................................................... 68 7.13 EVALUACIÓN DEL MODELO ................................................................. 69 7.14 CONVERSIÓN .......................................................................................... 71 7.15 ADAPTACIÓN DEL MODELO ................................................................. 72 8 DISEÑO Y DESARROLLO DEL PROTOTIPO 73 8.1 RECOLECCIÓN DE REQUISITOS .......................................................... 73 8.1.1 Requerimientos funcionales 73 8.1.2 Requerimientos no funcionales 74 8.2 DIAGRAMA DE COMPONENTES ........................................................... 74 8.3 DIAGRAMA DE CASOS DE USO ............................................................ 75 8.4 DIAGRAMA DE SECUENCIA .................................................................. 76 8.5 DISEÑO .................................................................................................... 77 8.6 DESARROLLO DEL PROTOTIPO........................................................... 78 8.7 EVALUACIÓN DEL PROTOTIPO ............................................................ 78 9 DISCUSIÓN 79 10 CONCLUSIONES 81 11 REFERENCIAS 83 ANEXOS 90PregradoThis project presents the design and development of a functional mobile application capable to estimate cocoa production based on the implementation of computer vision and deep learning techniques. Object detection in agriculture is important to estimate production in a crop because it increases the confidence in decision making by a farmer, therefore, the proposed design performs a count of cocoa pods that are in three sanitary states, either with the presence of monilia, phytophthora or completely healthy. The following application implements an Android mobile device camera. The elements existing in the system contain an object detection model, a dataset, and technologies that support the software development process. A literature review is done to explore techniques, technologies, and metrics associated with computer vision. Subsequently, a selection of an image dataset is done to train a deep learning model, setting up parameters and hyperparameters. Consequently, a design and development of a mobile prototype are proposed to detect, classify, and localize cocoa pods with their respective health status, and it returns the estimated value of production given in kilograms of dry cocoa beans, taking into account the variety indicated by the user. The results show the evaluation of 8 models, where the best one obtains a mAP of 80.09% and the incidence of variables associated with the balancing on the accuracy is determined.Modalidad Presencialapplication/pdfspahttp://creativecommons.org/licenses/by-nc-nd/2.5/co/Abierto (Texto Completo)Atribución-NoComercial-SinDerivadas 2.5 Colombiahttp://purl.org/coar/access_right/c_abf2Desarrollo de un prototipo funcional de software para estimar la producción de cacao, haciendo uso de herramientas de aprendizaje profundo y visión por computadorDevelopment of a functional software prototype to estimate cocoa production, using deep learning tools and computer visionIngeniero de SistemasUniversidad Autónoma de Bucaramanga UNABFacultad IngenieríaPregrado Ingeniería de Sistemasinfo:eu-repo/semantics/bachelorThesisTrabajo de Gradohttp://purl.org/coar/resource_type/c_7a1fhttp://purl.org/redcol/resource_type/TPSystems engineerTechnological innovationsMobile appDecision makingComputer visionPrototype developmentArtificial intelligenceComputer simulationIngeniería de sistemasInnovaciones tecnológicasDesarrollo de prototiposSoftwareInteligencia artificialSimulación por computadoresAplicación móvilToma de decisionesVisión por computadorAlexeyAB/darknet: YOLOv4 / Scaled-YOLOv4 / YOLO - Neural Networks for Object Detection (Windows and Linux version of Darknet). (2020). Retrieved May 5, 2021, from https://github.com/AlexeyAB/darknetAli Süzen, A., Gürfidan, R., Kayaalp, K., & Ali Şimşek, M. (2020). Information Technology and Computer Science. Information Technology and Computer Science, 2, 18–23. https://doi.org/10.5815/ijitcs.2020.02.02Andriod Developers. (2020). Android Studio. https://developer.android.com/studio/Android Studio Developer. (2020). Introducción a Android Studio. https://developer.android.com/studio/intro#top_of_pageArgout, X., Salse, J., Aury, J.-M., Guiltinan, M. J., Droc, G., Gouzy, J., Allegre, M., Chaparro, C., Legavre, T., Maximova, S. N., Abrouk, M., Murat, F., Fouet, O., Poulain, J., Ruiz, M., Roguet, Y., Rodier-Goud, M., Barbosa-Neto, J. F., Sabot, F., … Lanaud, C. (2011). The genome of Theobroma cacao. Nature Genetics, 43(2), 101–108. https://doi.org/10.1038/ng.736Bargoti, S., & Underwood, J. P. (2017). Image Segmentation for Fruit Detection and Yield Estimation in Apple Orchards. Journal of Field Robotics, 34(6), 1039– 1060. https://doi.org/https://doi.org/10.1002/rob.21699Beitzel, S. M., Jensen, E. C., & Frieder, O. (2009). MAP. Encyclopedia of Database Systems. (2009). In Encyclopedia of Database Systems. Springer US. https://doi.org/10.1007/978-0-387-39940Bhardwaj, K. K., Banyal, S., & Sharma, D. K. (2019). Chapter 7 - Artificial Intelligence Based Diagnostics, Therapeutics and Applications in Biomedical Engineering and Bioinformatics (V. E. Balas, L. H. Son, S. Jha, M. Khari, & R. B. T.-I. of T. in B. E. Kumar (eds.); pp. 161–187). Academic Press. https://doi.org/https://doi.org/10.1016/B978-0-12-817356-5.00009-7Bochkovskiy, A., Wang, C.-Y., & Liao, H.-Y. M. (n.d.). YOLOv4: Optimal Speed and Accuracy of Object Detection. Retrieved May 1, 2021, from https://arxiv.org/abs/2004.10934Bresilla, K., Perulli, G. D., Boini, A., Morandi, B., Grappadelli, L. C., & Manfrini, L. (2020). Comparing deep-learning networks for apple fruit detection to classical hard-coded algorithms. Acta Horticulturae, 1279, 209–216. https://doi.org/10.17660/ActaHortic.2020.1279.31Burger, W., & Burge, M. J. (2016). Digital image processing: an algorithmic introduction using Java. Springer.Buzzy, M., Thesma, V., Davoodi, M., & Mohammadpour Velni, J. (2020). Real-Time Plant Leaf Counting Using Deep Object Detection Networks. In Sensors (Vol. 20, Issue 23). https://doi.org/10.3390/s20236896Cai, Y., Li, H., Yuan, G., Niu, W., Li, Y., Tang, X., & Wang, Y. (2021). YOLObile: Real-Time Object Detection on Mobile Devices via Compression-Compilation Co-Design. www.aaai.orgCecotti, H., Rivera, A., Farhadloo, M., & Pedroza, M. A. (2020). Grape detection with convolutional neural networks. Expert Systems with Applications, 159, 113588. https://doi.org/10.1016/j.eswa.2020.113588CMake. (2021). Retrieved May 5, 2021, from https://cmake.org/Colorizer. (2020). http://colorizer.org/CUDA Zone | NVIDIA Developer. (2021). Retrieved May 5, 2021, from https://developer.nvidia.com/cuda-zoneDe La Cruz Medina, J., Vargas Ortiz, M., Del Angel Coronel, O. (2011). CACAO: Operaciones Poscosecha. http://www.fao.org/3/a-au995sDostert, N., Asunción Cano, José Roque., La Torre, María I., W. M. (2011, October). Hoja botánica: Cacao. http://www.botconsult.com/downloads/Hoja_Botanica_Cacao_2012.pdfEveringham, M., Luc, ·, Gool, V., Christopher, ·, Williams, K. I., Winn, J., Zisserman, A., Everingham, M., Van Gool, L., Leuven, K. U., Williams, B. C. K. I., Winn, J., & Zisserman, A. (2010). The PASCAL Visual Object Classes (VOC) Challenge. Retrieved May 5, 2021, from http://www.flickr.com/Factors influencing smallholder cocoa production: a management analysis of behavioural decision-making processes of technology adoption and application. (1996). Retrieved September 4, 2020, from https://library.wur.nl/WebQuery/wurpubs/35987FAOSTAT. (n.d.). Retrieved April 13, 2021, from http://www.fao.org/faostat/en/#data/QC/metadatFEDECACAO y los Cacaocultores, le apuestan a la certificación en Buenas Prácticas Agrícolas. (Abril de 2019). Colombia Cacaotera, p.6. Recuperado de www.fedecacao.com.coFedecacao. (2005). CARACTERIZACIÓN FISÍCOQUÍMICA Y BENEFICIO DEL GRANO DE CACAO (Theobroma cacao L.) EN COLOMBIA. https://www.fedecacao.com.co/portal/images/recourses/pub_doctecnicos/fe decacao-pub-doc_09B.pdfFountain, A., & Hütz-Adams, F. (2015). 2015 Cocoa Barometer (USA edition). Retrieved from Barometer Consortium website: http://evols.library.manoa.hawaii.edu/handle/10524/48573Fountain, A., & Hütz-Adams, F. (2018). Cocoa Barometer 2018. Retrieved from VOICE Network website: https://www.voicenetwork.eu/wpcontent/uploads/2019/07/2018-Cocoa-Barometer.pdfFountain, A., & Hütz-Adams, F. (2020). Cocoa Barometer 2020. Retrieved from VOICE Network website: https://www.voicenetwork.eu/wpcontent/uploads/2021/03/2020-Cocoa-Barometer-EN.pdfFranceschetti, D. R. (Ed.). (2018). Principles of Robotics & Artificial IntelligenceFu, L., Gao, F., Wu, J., Li, R., Karkee, M., & Zhang, Q. (2020, October 1). Application of consumer RGB-D cameras for fruit detection and localization in field: A critical review. Computers and Electronics in Agriculture, Vol. 177, p. 105687. https://doi.org/10.1016/j.compag.2020.105687Gayi, S. K., & Tsowou, K. (2017). Cocoa Industry. https://doi.org/10.18356/cfb75b0e-enGené-Mola, J., Gregorio, E., Auat Cheein, F., Guevara, J., Llorens, J., SanzCortiella, R., Escolà, A., & Rosell-Polo, J. R. (2020). Fruit detection, yield prediction and canopy geometric characterization using LiDAR with forced air flow. Computers and Electronics in Agriculture, 168. https://doi.org/10.1016/j.compag.2019.105121Gonzalez, R. C., & Woods, R. E. (2018). Digital Image Processing (Fourth).Google Colaboratory. (2020). Google Colaboratory. https://colab.research.google.com/notebooks/intro.ipynb#recent=trueHabibi Aghdam, H., & Jahani Heravi, E. (2017). Guide to Convolutional Neural Networks. Springer International Publishing. https://doi.org/10.1007/978-3319-57550-6Heredia Gómez, J. F., & Talero Sarmiento, L. H. (2020). Cocoa Ripeness Dataset TCS 01. https://www.kaggle.com/juanfelipeheredia/cocoa-ripeness-datasettcs-01Hùng, V. (2020). Tensorflow-yolov4-tflite. https://github.com/hunglc007/tensorflowyolov4-tfliteILRF (2014). The fairness gap: Farmer incomes and solutions to child labor in cocoa. Washington, DC, International Labor Rights ForumJhuria, M., Kumar, A., & Borse, R. (2013). Image processing for smart farming: Detection of disease and fruit grading. 2013 IEEE Second International Conference on Image Information Processing (ICIIP-2013), 521–526. https://doi.org/10.1109/ICIIP.2013.6707647Jiang, Z., Zhao, L., Li, S., Jia, Y., & Liquan, Z. (n.d.). Real-time object detection method for embedded devices.Kang, H., & Chen, C. (2020). Fast implementation of real-time fruit detection in apple orchards using deep learning. Computers and Electronics in Agriculture, 168, 105108. https://doi.org/10.1016/j.compag.2019.105Kim, P. (2017). Deep Learning BT - MATLAB Deep Learning: With Machine Learning, Neural Networks and Artificial Intelligence. Apress. https://doi.org/10.1007/978-1-4842-2845-6_5Kirk, R., Cielniak, G., & Mangan, M. (2020). L*a*b*Fruits: A Rapid and Robust Outdoor Fruit Detection System Combining Bio-Inspired Features with OneStage Deep Learning Networks. In Sensors (Vol. 20, Issue 1). https://doi.org/10.3390/s20010275Koirala, A., Walsh, K. B., Wang, Z., & McCarthy, C. (2019). Deep learning – Method overview and review of use for fruit detection and yield estimation. In Computers and Electronics in Agriculture (Vol. 162, pp. 219–234). Elsevier B.V. https://doi.org/10.1016/j.compag.2019.04.017Konica Minolta. (2020). Entendiendo El Espacio de Color CIE L*A*B*. https://sensing.konicaminolta.us/mx/blog/entendiendo-el-espacio-de-colorcie-lab/Krig, S. (2014). Computer Vision Metrics: Survey, Taxonomy, and Analysis (Vol. 9781430259305). https://doi.org/10.1007/978-1-4302-5930-5Liu, X., Chen, S. W., Liu, C., Shivakumar, S. S., Das, J., Taylor, C. J., … Kumar, V. (2019). Monocular Camera Based Fruit Counting and Mapping with Semantic Data Association. IEEE Robotics and Automation Letters, 4(3), 2296–2303. https://doi.org/10.1109/LRA.2019.2901987Maldonado, W., & Barbosa, J. C. (2016). Automatic green fruit counting in orange trees using digital images. Computers and Electronics in Agriculture, 127, 572–581. https://doi.org/10.1016/j.compag.2016.07.Martínez Guerrero, N. (2016). Aportes de la investigación de FEDECACAO –Fondo Nacional del Cacao al incremento de la productividad y reconocimiento de la calidad del cacao de ColombiaMitchell, T. M. (1997). Machine Learning. McGraw-Hill Science/Engineering/MathMite-Baidal, K., Solís-Avilés, E., Martínez-Carriel, T., Marcillo-Plaza, A., Cruz-Ibarra, E., & Baque-Bustamante, W. (2019). Analysis of Computer Vision Algorithms to Determine the Quality of Fermented Cocoa (Theobroma Cacao): Systematic Literature Review. Advances in Intelligent Systems and Computing, 901, 79–87. https://doi.org/10.1007/978-3-030-10728-4_9Mordvintsev, A., & Abid K. (2013). Fourier Transform. https://opencv-pythontutroals.readthedocs.io/en/latest/py_tutorials/py_imgproc/py_transforms/py_f ourier_transform/py_fourier_transform.htmlMotamayor, J. C., Lachenaud, P., da Silva e Mota, J. W., Loor, R., Kuhn, D. N., Brown, J. S., & Schnell, R. J. (2008). Geographic and Genetic Population Differentiation of the Amazonian Chocolate Tree (Theobroma cacao L). PLoS ONE, 3(10), e3311. https://doi.org/10.1371/journal.pone.0003311NVIDIA cuDNN | NVIDIA Developer. (2021). Retrieved May 5, 2021, from https://developer.nvidia.com/cudnnOpenCV - OpenCV. (2021). Retrieved May 5, 2021, from https://opencv.orgOpenCV. (2015). Introduction to SURF (Speeded-Up Robust Features). https://docs.opencv.org/master/df/dd2/tutorial_py_surf_intro.htmlPacto por Colombia, pacto por la equidad. (2018). Plan Nacional de Desarrollo. Recuperado de https://colaboracion.dnp.gov.co/CDT/Prensa/ResumenPND2018-2022-final.pdfPatel, H., Jiménez, A., Ceres, R., Annamalai, P., & Lee, W. (2013). A Survey of Computer Vision Methods for Counting Fruits and Yield PredictionPDD-Santander. (2020). Santander siempre contigo y para el mundo Plan de Desarrollo Departamental 2020-2023. Planeación Departamental, 53(9), 1689.Python Software Foundation. (2016). Python Package Index. LabelImg. https://pypi.org/project/labelImg/Rahnemoonfar, M., & Sheppard, C. (2017). Deep Count: Fruit Counting Based on Deep Simulated Learning. Sensors, 17(4), 905. https://doi.org/10.3390/s17040905Redacción Economía. (20 de Agosto de 2020). El Espectador: Gobierno presentó proyecto de ley para incluir a Colombia en Organización Internacional del Cacao. Recuperado de https://www.elespectador.com/Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2018). You Only Look Once: Unified, Real-Time Object Detection. Retrieved from http://pjreddie.com/yolo/Russell, S. J., Norvig, P., Canny, J. F., Malik, J. M., Edwards, D. D., Jonathan, S. J. S., & Norvig, P. (1995). Arificial Intelligence: A Modern Approach. Alan AptSánchez, V., Z ambrano, J., & Iglesias, C. (2019). La cadena de valor del cacao en América Latina y el Caribe. Retrieved from: http://repositorio.iniap.gob.ec/handle/41000/5382Schuld, M., & Petruccione, F. (2018). Machine Learning. In Supervised Learning with Quantum Computers (pp. 21–73). Springer International Publishing. https://doi.org/10.1007/978-3-319-96424-9_2Serrano, S., & Heredia Gómez, J. F. (2020). Cocoa Diseases (YOLOv4). https://www.kaggle.com/serranosebas/enfermedades-cacao-yolov4Shorten, C., & Khoshgoftaar, T. M. (2019). A survey on Image Data Augmentation for Deep Learning. Journal of Big Data, 6(1), 60. https://doi.org/10.1186/s40537-019-0197-0Solomon, C., & Breckon, T. (2011). Fundamentals of Digital Image Processing. https://doi.org/doi:10.1002/9780470689776.Tan, D. S., Leong, R. N., Laguna, A. F., Ngo, C. A., Lao, A., Amalin, D., & Alvindia, D. (2016). A framework for measuring infection level on cacao pods. 2016 IEEE Region 10 Symposium (TENSYMP), 384–389. https://doi.org/10.1109/TENCONSpring.2016.7519437Vasconez, J. P., Delpiano, J., Vougioukas, S., & Auat Cheein, F. (2020). Comparison of convolutional neural networks in fruit detection and counting: A comprehensive evaluation. Computers and Electronics in Agriculture, 173, 105348. https://doi.org/10.1016/j.compag.2020.105348Voora, V., Bermúdez, S., & Larrea, C. (2019). Global Market Report: Cocoa. International Institute for Sustainable Development.Wan, S., & Goudos, S. (2020). Faster R-CNN for multi-class fruit detection using a robotic vision system. Computer Networks, 168, 107036. https://doi.org/10.1016/j.comnet.2019.107036Wang, C.-Y., Liao, H.-Y. M., Yeh, I.-H., Wu, Y.-H., Chen, P.-Y., & Hsieh, J.-W. (2019). CSPNET: A NEW BACKBONE THAT CAN ENHANCE LEARNING CAPABILITY OF CNN A PREPRINT. https://github.com/WongKinYiu/CrossStagePartialNetworks.Wang, Q., Nuske, S., Bergerman, M., & Singh, S. (2013). Automated Crop Yield Estimation for Apple Orchards. In J. P. Desai, G. Dudek, O. Khatib, & V. Kumar (Eds.), Experimental Robotics: The 13th International Symposium on Experimental Robotics (pp. 745–758). Springer International Publishing. https://doi.org/10.1007/978-3-319-00065-7_50White, S., & Kennedy, J. (2018). CMY and CMYK Color Spaces. https://docs.microsoft.com/en-us/windows/win32/wcs/cmy-and-cmyk-colorspacesZhang, B., Gao, Y., Zhao, S., & Liu, J. (2010). Local Derivative Pattern Versus Local Binary Pattern: Face Recognition With High-Order Local Pattern Descriptor. IEEE Transactions on Image Processing, 19(2), 533–544. https://doi.org/10.1109/TIP.2009.2035882Zhou, Z., Song, Z., Fu, L., Gao, F., Li, R., & Cui, Y. (2020). Real-time kiwifruit detection in orchard using deep learning on AndroidTM smartphones for yield estimation. Computers and Electronics in Agriculture, 179, 105856. https://doi.org/10.1016/j.compag.2020.105856Zou, H., Lu, H., Li, Y., Liu, L., & Cao, Z. (2020). Maize tassels detection: a benchmark of the state of the art. Plant Methods, 16(1), 1–15. https://doi.org/10.1186/s13007-020-00651-zORIGINAL2021_Tesis_Karol_Daniela_Cala.pdf2021_Tesis_Karol_Daniela_Cala.pdfTesisapplication/pdf3068301https://repository.unab.edu.co/bitstream/20.500.12749/16073/1/2021_Tesis_Karol_Daniela_Cala.pdf0261d36eb13e817be3ab607da29562eaMD51open access2021_Licencia_Karol_Daniela_Cala.pdf2021_Licencia_Karol_Daniela_Cala.pdfLicenciaapplication/pdf799437https://repository.unab.edu.co/bitstream/20.500.12749/16073/2/2021_Licencia_Karol_Daniela_Cala.pdfaa96fe397c19653680cb875d5a7b3718MD52metadata only accessLICENSElicense.txtlicense.txttext/plain; charset=utf-8829https://repository.unab.edu.co/bitstream/20.500.12749/16073/3/license.txt3755c0cfdb77e29f2b9125d7a45dd316MD53open accessTHUMBNAIL2021_Tesis_Karol_Daniela_Cala.pdf.jpg2021_Tesis_Karol_Daniela_Cala.pdf.jpgIM Thumbnailimage/jpeg5053https://repository.unab.edu.co/bitstream/20.500.12749/16073/4/2021_Tesis_Karol_Daniela_Cala.pdf.jpgb936c7b97fae48fc01e4b2e3b47c2e56MD54open access2021_Licencia_Karol_Daniela_Cala.pdf.jpg2021_Licencia_Karol_Daniela_Cala.pdf.jpgIM Thumbnailimage/jpeg10175https://repository.unab.edu.co/bitstream/20.500.12749/16073/5/2021_Licencia_Karol_Daniela_Cala.pdf.jpg6dcff00edc6ecfa161d14f587350577dMD55metadata only access20.500.12749/16073oai:repository.unab.edu.co:20.500.12749/160732023-07-26 15:36:16.728open accessRepositorio Institucional | Universidad Autónoma de Bucaramanga - UNABrepositorio@unab.edu.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

Publicaciones similares