Aplicación para estimar el nivel de madurez en las mazorcas de cacao haciendo uso de visión por computador y aprendizaje de máquina “DELECO”
El presente proyecto presenta una solución para la etapa de madurez en el ciclo productivo del cacao, dado que una cosecha oportuna es uno de los factores que inciden en el rendimiento del producto (medido en “peso de granos recolectado/ unidad de área cosechada”). Teniendo en cuenta lo anterior, du...
- Autores:
-
Heredia Gómez, Juan Felipe
Rueda Gómez, Juan Pablo
Ramírez Acuña, Juan Sebastián
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2020
- Institución:
- Universidad Autónoma de Bucaramanga - UNAB
- Repositorio:
- Repositorio UNAB
- Idioma:
- spa
- OAI Identifier:
- oai:repository.unab.edu.co:20.500.12749/12070
- Acceso en línea:
- http://hdl.handle.net/20.500.12749/12070
- Palabra clave:
- Systems engineer
Technological innovations
Cacao production cycle
Computer vision
Agricultural administration
Crops
Farming
Market economy
Ingeniería de sistemas
Innovaciones tecnológicas
Administración agrícola
Cultivos
Agricultura
Economía de mercado
Ciclo productivo del cacao
Visión por computador
DELECO
- Rights
- openAccess
- License
- http://creativecommons.org/licenses/by-nc-nd/2.5/co/
| id |
UNAB2_4004f2d50db3cdcc5aaf840e90fcb1a8 |
|---|---|
| oai_identifier_str |
oai:repository.unab.edu.co:20.500.12749/12070 |
| network_acronym_str |
UNAB2 |
| network_name_str |
Repositorio UNAB |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Aplicación para estimar el nivel de madurez en las mazorcas de cacao haciendo uso de visión por computador y aprendizaje de máquina “DELECO” |
| dc.title.translated.spa.fl_str_mv |
Application to estimate the level of maturity in cocoa pods using computer vision and machine learning "DELECO" |
| title |
Aplicación para estimar el nivel de madurez en las mazorcas de cacao haciendo uso de visión por computador y aprendizaje de máquina “DELECO” |
| spellingShingle |
Aplicación para estimar el nivel de madurez en las mazorcas de cacao haciendo uso de visión por computador y aprendizaje de máquina “DELECO” Systems engineer Technological innovations Cacao production cycle Computer vision Agricultural administration Crops Farming Market economy Ingeniería de sistemas Innovaciones tecnológicas Administración agrícola Cultivos Agricultura Economía de mercado Ciclo productivo del cacao Visión por computador DELECO |
| title_short |
Aplicación para estimar el nivel de madurez en las mazorcas de cacao haciendo uso de visión por computador y aprendizaje de máquina “DELECO” |
| title_full |
Aplicación para estimar el nivel de madurez en las mazorcas de cacao haciendo uso de visión por computador y aprendizaje de máquina “DELECO” |
| title_fullStr |
Aplicación para estimar el nivel de madurez en las mazorcas de cacao haciendo uso de visión por computador y aprendizaje de máquina “DELECO” |
| title_full_unstemmed |
Aplicación para estimar el nivel de madurez en las mazorcas de cacao haciendo uso de visión por computador y aprendizaje de máquina “DELECO” |
| title_sort |
Aplicación para estimar el nivel de madurez en las mazorcas de cacao haciendo uso de visión por computador y aprendizaje de máquina “DELECO” |
| dc.creator.fl_str_mv |
Heredia Gómez, Juan Felipe Rueda Gómez, Juan Pablo Ramírez Acuña, Juan Sebastián |
| dc.contributor.advisor.spa.fl_str_mv |
Talero Sarmiento, Leonardo Hernán Coronado Silva, Roberto Antonio |
| dc.contributor.author.spa.fl_str_mv |
Heredia Gómez, Juan Felipe Rueda Gómez, Juan Pablo Ramírez Acuña, Juan Sebastián |
| dc.contributor.cvlac.*.fl_str_mv |
https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000031387 |
| dc.contributor.orcid.*.fl_str_mv |
https://orcid.org/0000-0002-4129-9163 |
| dc.contributor.researchgate.*.fl_str_mv |
https://www.researchgate.net/profile/Leonardo_Talero |
| dc.subject.keywords.eng.fl_str_mv |
Systems engineer Technological innovations Cacao production cycle Computer vision Agricultural administration Crops Farming Market economy |
| topic |
Systems engineer Technological innovations Cacao production cycle Computer vision Agricultural administration Crops Farming Market economy Ingeniería de sistemas Innovaciones tecnológicas Administración agrícola Cultivos Agricultura Economía de mercado Ciclo productivo del cacao Visión por computador DELECO |
| dc.subject.lemb.spa.fl_str_mv |
Ingeniería de sistemas Innovaciones tecnológicas Administración agrícola Cultivos Agricultura Economía de mercado |
| dc.subject.proposal.spa.fl_str_mv |
Ciclo productivo del cacao Visión por computador DELECO |
| description |
El presente proyecto presenta una solución para la etapa de madurez en el ciclo productivo del cacao, dado que una cosecha oportuna es uno de los factores que inciden en el rendimiento del producto (medido en “peso de granos recolectado/ unidad de área cosechada”). Teniendo en cuenta lo anterior, durante la etapa de revisión de antecedentes y estado del arte se identificó la oportunidad de generar una solución que permita reducir las imprecisiones generadas por la inspección visual (al ser un proceso completamente manual y no estandarizado), ya que ésta se ve afectada por distintas variaciones tales como problemas de visión, la cantidad de horas luz al que es expuesto un fruto de cacao, las características del suelo y sus respectivos nutrientes, y la altura de la plantación. La interacción de los factores mencionados previamente incide en que los colores que puede tomar una misma variedad de mazorca de cacao no sean uniformes a lo largo de la misma unidad productiva, y menos en otra ubicación. Así mismo, la ingente cantidad de variedades de cacao, hacen que la identificación del estado de madurez de la mazorca sea un proceso abstruso, por consiguiente, en este proyecto se seleccionó la variedad TCS-01 (Theobroma Corpoica La suiza 01), ya que esta posee un rendimiento mejor en comparación con otras variedades disponibles de AGROSAVIA, además, tiene un récord en tamaño de grano y, por último, es endémica de Santander. Esta variedad en específico presenta un inconveniente, ya que sus granos tienden a germinarse en un estado final de madurez, a causa de los factores anteriormente mencionados y la precoz germinación de esta variedad. Con miras en remediar la pérdida de producción por la presencia de granos maduros dentro de la mazorca, se propone el desarrollo de una herramienta fácilmente transferible que le ayude al cacaotero a identificar el estado de madurez de la mazorca cuando no tenga una plena certeza, además de sentar una base tecnológica para futuros desarrollos en esta área y, por último, promover el uso de variedades autóctonas en la región para aquellos agricultores que se encuentran incursionando, aportando así la información necesaria para su capacitación. |
| publishDate |
2020 |
| dc.date.issued.none.fl_str_mv |
2020 |
| dc.date.accessioned.none.fl_str_mv |
2021-01-28T16:29:07Z |
| dc.date.available.none.fl_str_mv |
2021-01-28T16:29:07Z |
| 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/20.500.12749/12070 |
| 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/20.500.12749/12070 |
| 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 |
Abadi, M., Agarwal, A., Barham, P., Brevdo, E., Chen, Z., Citro, C., Corrado, G. S., Davis, A., Dean, J., Devin, M., Ghemawat, S., Goodfellow, I., Harp, A., Irving, G., Isard, M., Jia, Y., Jozefowicz, R., Kaiser, L., Kudlur, M., … Zheng, X. (2016). TensorFlow: Large-Scale Machine Learning on Heterogeneous Distributed Systems. http://arxiv.org/abs/1603.04467 Angelia, R. E., & Linsangan, N. B. (2018). Fermentation level classification of cross cut cacao beans using k-NN algorithm. ACM International Conference Proceeding Series, 64–68. https://doi.org/10.1145/3309129.3309142 Arenga, D. Z. H., & Dela Cruz, J. C. (2018). Ripeness classification of cocoa through acoustic sensing and machine learning. HNICEM 2017 - 9th International Conference on Humanoid, Nanotechnology, Information Technology, Communication and Control, Environment and Management, 2018-Janua, 1–6. https://doi.org/10.1109/HNICEM.2017.8269438 Batista, L. (2009). El cultivo de cacaco. CEDAF Bendemra, H. (2017). Medium. Briones, V., & Aguilera, J. M. (2005). Image analysis of changes in surface color of chocolate. Food Research International, 38(1), 87–94. https://doi.org/10.1016/j.foodres.2004.09.002 CABISCO/ECA/FCC. (2015). Cocoa Beans : Chocolate & Cocoa Industry Quality Requirements. http://www.cocoaquality.eu/data/Cocoa Beans Industry Quality Requirements Apr 2016_En.pdf Calvo, D. (2017). diegocalvo Cattin, P. D. P. (2016). Digital Image Fundamentals. Introduction to Signal and Image Processing Cazau, P. (2006). INTRODUCCIÓN A LA INVESTIGACIÓN EN CIENCIAS SOCIALES (Vol. 3). Clark, R. N. (2019). Color Part 1: CIE Chromaticity and Perception. CIE Chromaticity and Perception. COLCIENCIAS. (2018). Grupos de investigación e investigadores reconocidos. Colombia Productiva. (2020). Pacto por el crecimiento y para la generación de empleo del sector farmacéutico. 22. CORPOICA. (2019a). Clon de Cacao TCS 01: Theobroma Corpoica La Suiza 01. http://hdl.handle.net/20.500.12324/34650 CORPOICA. (2019b). Nueva variedad de cacao TCS 01. In Oferta Tecnológica (p. 1). https://www.agrosavia.co/productos-y-servicios/oferta-tecnológica/0337- variedad-de-cacao-tcs-01 Damez, J.-L., & Clerjon, S. (2008). Meat quality assessment using biophysical methods related to meat structure. Meat Science, 80(1), 132–149. https://doi.org/https://doi.org/10.1016/j.meatsci.2008.05.039 Dean, T. L., Allen, J., & Aloimonos, J. (1995). Artificial Intelligence: Theory and Practice. Benjamin/Cummings Publishing Company. Departamento Nacional De Planeación. (2015). El campo colombiano: Un camino hacia el bienestar y la paz. Misión para la transformación del campo. (p. 114). DNP El-Bendary, N., El Hariri, E., Hassanien, A. E., & Badr, A. (2015). Using machine learning techniques for evaluating tomato ripeness. Expert Systems with Applications, 42(4), 1892–1905. https://doi.org/10.1016/j.eswa.2014.09.057 Elhariri, E., El-Bendary, N., Hussein, A. M. M., Hassanien, A. E., & Badr, A. (2015). Bell pepper ripeness classification based on support vector machine. ICET 2014 - 2nd International Conference on Engineering and Technology. https://doi.org/10.1109/ICEngTechnol.2014.7016802 Engbersen, N., Gramlich, A., Lopez, M., Schwarz, G., Hattendorf, B., Gutierrez, O., & Schulin, R. (2019). Cadmium accumulation and allocation in different cacao cultivars. Science of the Total Environment, 678, 660–670. https://doi.org/10.1016/j.scitotenv.2019.05.001 FAO. (2018). Colombia en una mirada. http://www.fao.org/colombia/fao-encolombia/ colombia-en-una-mirada/es Fedecacao. (2012). Manejo fitosanitario del cultivo del cacao. ICA. FEDECACAO. (2017). FEDECACAO. http://www.fedecacao.com.co/portal/index.php/es/2015-04-23-20-00-33/326-en- 2016-se-logro-nuevo-record-en-produccion-nacional-de-cacao FEDECACAO. (2019). Colombia cacaotera nov-dic 2019. https://issuu.com/yeison73/docs/colombia_cacaotera__-_novdic_2019_-_20pag_- final_o FEDECACAO, & Rosillo, E. A. (2012). Colombia Cacaotera. Revista de La Federación Nacional de Cacaoteros. Gastelum-Barrios, A., Garcia-Trejo, J. F., Soto-Zarazua, G. M., Macias-Bobadilla, G., & Toledano-Ayala, M. (2018). Portable System to Estimate Ripeness and Lycopene Content in Fresh Tomatoes Based on Image Processing. 2018 14th International Engineering Congress, CONIIN 2018. https://doi.org/10.1109/CONIIN.2018.8489814 Glasbey, C. (2012). Chapter 4: Segmentation. Tractates Sabbat and ’Eruvin, 1–31. https://doi.org/10.1515/9783110289039.163 González-Campos, V. P. (2019). UNIVERSIDAD POLITÉCNICA DE MADRID Gonzalez, R. C., & Woods, R. E. (2007). Digital Image Processing (3rd Edition). In Prentice-Hall, Inc. Upper Saddle River, NJ, USA ©2006. Greenspan, H., van Ginneken, B., & Summers, R. M. (2016). Guest Editorial Deep Learning in Medical Imaging: Overview and Future Promise of an Exciting New Technique. IEEE Transactions on Medical Imaging, 35(5), 1153–1159. https://doi.org/10.1109/TMI.2016.2553401 Guerrero, N. C. (2016). Evaluación de componentes físicos, químicos, organolépticos y del rendimiento de clones universales y regionales de cacao ({Theobroma} cacao {L}.) en las zonas productoras de {Santander}. Arauca y {Huila}. Hamza, R., & Chtourou, M. (2018). Apple ripeness estimation using artificial neural network. In S. W. W. Zine-Dine K. (Ed.), Proceedings - 2018 International Conference on High Performance Computing and Simulation, HPCS 2018 (pp. 229– 234). Institute of Electrical and Electronics Engineers Inc. https://doi.org/10.1109/HPCS.2018.00049 Herrera, F. (2018). ODS en Colombia: Los retos para 2030. Pnud, 74. https://www.undp.org/content/dam/colombia/docs/ODS/undp_co_PUBL_julio_ODS _en_Colombia_los_retos_para_2030_ONU.pdf Kipli, K., Zen, H., Sawawi, M., Noor, M. S. M., Julai, N., Junaidi, N., Razali, M. I. S. M., Chin, K. L., & Masra, S. M. W. (2018). Image Processing Mobile Application for Banana Ripeness Evaluation. 2018 International Conference on Computational Approach in Smart Systems Design and Applications, ICASSDA 2018. https://doi.org/10.1109/ICASSDA.2018.8477600 Le, T.-T., Lin, C.-Y., & Piedad, E. J. (2019). Deep learning for noninvasive classification of clustered horticultural crops – A case for banana fruit tiers. Postharvest Biology and Technology, 156. https://doi.org/10.1016/j.postharvbio.2019.05.023 Learned-Miller, E. G. (2014). Introduction to Supervised Learning. University of Massachusetts, Amherst, 1–5. León-Roque, N., Abderrahim, M., Nuñez-Alejos, L., Arribas, S. M., & Condezo- Hoyos, L. (2016). Prediction of fermentation index of cocoa beans (Theobroma cacao L.) based on color measurement and artificial neural networks. Talanta, 161, 31–39. https://doi.org/10.1016/j.talanta.2016.08.022 Light vs. Pigments. (2015). López, E. B. (2017). El cacao : sinónimo de paz en Colombia. In Agroindustria del cacao. (Issue 185). VirtualPro. https://www.virtualpro.co/editoriales/20170601- ed.pdf MacQueen, J. (1967). Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability. University of {California} {Press}. {Recuperado} El, 2019. Marshal, D. (1997). Region Growing. May, Z., & Amaran, M. (2011). Automated ripeness assessment of oil palm fruit using RGB and fuzzy logic technique. 52–59. https://www.researchgate.net/publication/262290296_Automated_ripeness_assess ment_of_oil_palm_fruit_using_RGB_and_fuzzy_logic_technique Mazen, F. M. A., & Nashat, A. A. (2019). Ripeness Classification of Bananas Using an Artificial Neural Network. Arabian Journal for Science and Engineering, 44(8), 6901–6910. https://doi.org/10.1007/s13369-018-03695-5 Méndez, J. T., & Morales, R. M. (2008). Inteligencia Artificial: Métodos. McGRAWHILL/ INTERAMERICANA DE ESPAÑA Mhaski, R. R., Chopade, P. B., & Dale, M. P. (2016). Determination of ripeness and grading of tomato using image analysis on Raspberry Pi. In B. A. C. A. Shukla A. Goyal V. (Ed.), International Conference Communication, Control and Intelligent Systems, CCIS 2015 (pp. 214–220). Institute of Electrical and Electronics Engineers Inc. https://doi.org/10.1109/CCIntelS.2015.7437911 Minciencias. (2020). Avances Plan Estratégico Institucional 2019. https://minciencias.gov.co/sites/default/files/upload/planeacion/informe_de_gestion _y_resultado_2019.pdf Morcillo, C. G. (2017). Lógica Difusa Una introducción práctica. Obtenido de. Moujahid, A., Inza, I., & Larrañaga, P. (2008). Clasificadores. Recuperado El, 2019. Mustafa, N. B. A., Fuad, N. A., Ahmed, S. K., Abidin, A. A. Z., Ali, Z., Wong, B. Y., & Sharrif, Z. A. M. (2008). Image processing of an agriculture produce: Determination of size and ripeness of a banana. Proceedings - International Symposium on Information Technology 2008, ITSim, 1. https://doi.org/10.1109/ITSIM.2008.4631636 Nguyễn, H. V. H., Lê, H. M., & Savage, G. P. (2018). Effects of maturity at harvesting and primary processing of cocoa beans on oxalate contents of cocoa powder. Journal of Food Composition and Analysis, 67, 86–90. https://doi.org/10.1016/j.jfca.2018.01.007 Nielsen, M. (2015). Neural Networks and Deep Learning. Determination Press, 2019. Organización de las Naciones Unidas para la Agricultura y la Alimentación, F. (2009). La agricultura mundial en la perspectiva del año 2050. Fao, 4. http://www.fao.org/fileadmin/templates/wsfs/docs/I Pareja, I. V. (2003). Decisiones empresariales bajo riesgo e incertidumbre. Grupo Editorial Norma. https://books.google.com.co/books?id=mGlZ7mHPsUIC Parra, P., Negrete, T., Llaguno, J., & Vega, N. (2018). Computer Vision Techniques Applied in the Estimation of the Cocoa Beans Fermentation Grade. In C. J.D.C. (Ed.), 2018 IEEE ANDESCON, ANDESCON 2018 - Conference Proceedings. Institute of Electrical and Electronics Engineers Inc. https://doi.org/10.1109/ANDESCON.2018.8564569 Parra, P., Negrete, T., LLaguno, J., & Vega, N. (2018). Determination of the degree of fermentation of cocoa through different techniques of artificial vision. Proceedings of the LACCEI International Multi-Conference for Engineering, Education and Technology, 2018-July. https://doi.org/10.18687/LACCEI2018.1.1.163 Pijlman, J., Geurts, J., Vroom, R. J. E., Bestman, M., Fritz, C., & van Eekeren, N. (2019). The effects of harvest date and frequency on the yield, nutritional value and mineral content of the paludiculture crop cattail (Typha latifolia L.) in the first year after planting. Mires and Peat, 25, 1–19. Pjatkin, K. (2014). Probability Distribution Function Based Iris Recognition System Boosted By The Mean Rule Polder, G., Van Der Heijden, G. W. A. M., & Young, I. T. (2002). Spectral image analysis for measuring ripeness of tomatoes. Transactions of the American Society of Agricultural Engineers, 45(4), 1155–1161. https://www.researchgate.net/publication/40119578_Spectral_image_analysis_for_ measuring_ripeness_of_tomatoes Ponce, P. (2010). Inteligencia artificial con aplicaciones a la ingenieria (Primera ed.). In Mexico: Alfaomega Grupo Editor. S.A Rawat, W., & Wang, Z. (2017). Deep Convolutional Neural Networks for Image Classification: A Comprehensive Review (Vol. 29). MIT Press. Obtenido de. Redmon, J., & Farhadi, A. (2017). YOLO9000: Better, faster, stronger. Proceedings - 30th IEEE Conference on Computer Vision and Pattern Recognition, CVPR 2017, 2017-Janua, 6517–6525. https://doi.org/10.1109/CVPR.2017.690 Riskiawan, H. Y., Puspitasari, T. D., Hasanah, F. I., Wahyono, N. D., & Fatoni Kurnianto, M. (2018). Identifying Cocoa ripeness using K-Nearest Neighbor (KNN) Method. In A. I. A. D. O. M. F. D. Al Rasyid M.U.H. Tjahjono A. (Ed.), Proceedings - 2018 International Conference on Applied Science and Technology, iCAST 2018 (pp. 354–357). Institute of Electrical and Electronics Engineers Inc. https://doi.org/10.1109/iCAST1.2018.8751633 Rupanagudi, S. R., Ranjani, B. S., Nagaraj, P., & Bhat, V. G. (2014). A cost effective tomato maturity grading system using image processing for farmers. Proceedings of 2014 International Conference on Contemporary Computing and Informatics, IC3I 2014, 7–12. https://doi.org/10.1109/IC3I.2014.7019591 Russell, S. J., & Norvig, P. (2004). INTELIGENCIA ARTIFICIAL. In U. N. E. M. (Segunda ed (Ed.), Madrid: PEARSON EDUCACIÓN, S. A. Recuperado el 2019. Saad, H., & Hussain, A. (2006). Classification for the ripeness of papayas using artificial neural network (ANN) and threshold rule. SCOReD 2006 - Proceedings of 2006 4th Student Conference on Research and Development “Towards Enhancing Research Excellence in the Region,” 132–136. https://doi.org/10.1109/SCORED.2006.4339325 Saadl, H., Ismaie, A. P., Othmanl, N., Jusohl, M. H., Naim, N. F., & Ahmad, N. A. (2009). Recognizing the ripeness of bananas using artificial neural network based on histogram approach. ICSIPA09 - 2009 IEEE International Conference on Signal and Image Processing Applications, Conference Proceedings, 536–541. https://doi.org/10.1109/ICSIPA.2009.5478715 Salama, A. K. (2019). Health risk assessment of heavy metals content in cocoa and chocolate products sold in Saudi Arabia. Toxin Reviews, 38(4), 318–327. https://doi.org/10.1080/15569543.2018.1471090 Sampieri, R. H., Collado, C. F., & Lucio, M. d. (2014). Metodologia de la investigación (Sexta ed.). Mexico D. McGRAW-HILL / INTERAMERICANA EDITORES, S.A. DE C.V. Sánchez, M. Á., León, D. G., Arce, S. M., López, T. D., & Rodriguez, P. M. (2017). Manual tecnico del cultivo de cacao, Buenas practicas para america latina. Instituto Interamericano de Cooperación para la Agricultura. Santos, F. A., Palmeira, E. S., & Jesus, G. J. (2019). An image dataset of cut-testclassified cocoa beans. Data in Brief, 24. https://doi.org/10.1016/j.dib.2019.103916 Santos Pereira, L. F., Barbon S., J., Valous, N. A., & Barbin, D. F. (2018). Predicting the ripening of papaya fruit with digital imaging and random forests. Computers and Electronics in Agriculture, 145, 76–82. https://doi.org/10.1016/j.compag.2017.12.029 Simbolon, Z. K., Syakry, S. A., Mulyadi, & Syahroni, M. (2019). Separation of the Mature Level of Papaya Callina Fruit Automatically Based on Color (RGB) uses Digital Image Processing. In H. S. W. L. A. A. R. M. F. R. M. F. A. J. M. H. R. A. H. A. A. M. T. J. M. A. M. B. F. Usman Safitri N. (Ed.), IOP Conference Series: Materials Science and Engineering (Vol. 536, Issue 1). Institute of Physics Publishing. https://doi.org/10.1088/1757-899X/536/1/012127 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. Proceedings - 2016 IEEE Region 10 Symposium, TENSYMP 2016, 384–389. https://doi.org/10.1109/TENCONSpring.2016.7519437 Tan, D. S., Leong, R. N., Laguna, A. F., Ngo, C. A., Lao, A., Amalin, D. M., & Alvindia, D. G. (2018). AuToDiDAC: Automated Tool for Disease Detection and Assessment for Cacao Black Pod Rot. Crop Protection, 103, 98–102. https://doi.org/10.1016/j.cropro.2017.09.017 Taofik, A., Ismail, N., Gerhana, Y. A., Komarujaman, K., & Ramdhani, M. A. (2018). Design of Smart System to Detect Ripeness of Tomato and Chili with New Approach in Data Acquisition. In W. I. Abdullah A.G. Nandiyanto A.B.D. (Ed.), IOP Conference Series: Materials Science and Engineering (Vol. 288, Issue 1). Institute of Physics Publishing. https://doi.org/10.1088/1757-899X/288/1/012018 Tee, Y.-K., Balasundram, S. K., Ding, P., M Hanif, A. H., & Bariah, K. (2019). Determination of optimum harvest maturity and non-destructive evaluation of pod development and maturity in cacao (Theobroma cacao L.) using a multiparametric fluorescence sensor. Journal of the Science of Food and Agriculture, 99(4), 1700– 1708. https://doi.org/10.1002/jsfa.9359 Trieu, T. H. (2018). Darkflow. GitHub Repository. Available Online: Https://Github. Com/Thtrieu/Darkflow (Accessed on 14 February 2019). Tyler, T. (2016). Chapter 9: Image Segmentation. Villanueva-Mejía, D. F. (2018). Analisis sector agricola Wong, R. (2019). Visible light spectrum. Color waves length perceived by human eye. Rainbow electromagnetic waves. Educational school physics diagram. Xu, R., & Wunsch, D. (2009). Clustering. Wiley. Yen, D., & Nguyễn, H. (2018). Effects of maturity stages and fermentation of cocoa beans on total phenolic contents and antioxidant capacities in raw cocoa powder. Vietnam Journal of Biotechnology, 14, 743–752. https://doi.org/10.15625/1811- 4989/14/4/12309 Young, T., Gerbrands, J. J., & Van Vliet, L. J. (2007). Fundamentals of Image Processing, Complex Numbers and Fourier Transform Zadeh, L. A. (1965). Fuzzy sets. Information and Control, 8(3), 338–353. https://doi.org/https://doi.org/10.1016/S0019-9958(65)90241-X Zhang, L., Jia, J., Gui, G., Hao, X., Gao, W., & Wang, M. (2018). Deep Learning Based Improved Classification System for Designing Tomato Harvesting Robot. IEEE Access, 6, 67940–67950. https://doi.org/10.1109/ACCESS.2018.2879324 Zhu, M. (2004). Recall, precision and average precision. |
| 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.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess http://purl.org/coar/access_right/c_abf2 |
| 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) http://purl.org/coar/access_right/c_abf2 Atribución-NoComercial-SinDerivadas 2.5 Colombia |
| eu_rights_str_mv |
openAccess |
| 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/20.500.12749/12070/1/2020_Tesis_Juan_Felipe_Heredia.pdf https://repository.unab.edu.co/bitstream/20.500.12749/12070/2/2020_Licencia_Juan_Felipe_Heredia.pdf https://repository.unab.edu.co/bitstream/20.500.12749/12070/4/2020_Tesis_Juan_Felipe_Heredia.pdf.jpg https://repository.unab.edu.co/bitstream/20.500.12749/12070/5/2020_Licencia_Juan_Felipe_Heredia.pdf.jpg https://repository.unab.edu.co/bitstream/20.500.12749/12070/3/license.txt |
| bitstream.checksum.fl_str_mv |
88fabbe2c630b74c92c36131684f7486 a58e2de2a1bbf948531be1080f6533e8 4c3ac374dd3e76e44203066953d5bbbb e6806d4c897feb35d2b7abebb2381b93 8a4605be74aa9ea9d79846c1fba20a33 |
| 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_ |
1814277237383364608 |
| spelling |
Talero Sarmiento, Leonardo Hernán52f3ced8-d447-4a4d-a30c-74958c9587aa-1Coronado Silva, Roberto Antonio93e52a13-6bef-4038-961c-2dc48a061429-1Heredia Gómez, Juan Felipeaea1d888-fd96-41e0-89df-72bf576f1042-1Rueda Gómez, Juan Pabloef288b80-e15f-473e-b492-e1b6ccac5154-1Ramírez Acuña, Juan Sebastián63bcccc9-f1ba-479b-9816-07c425d026ee-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000031387https://orcid.org/0000-0002-4129-9163https://www.researchgate.net/profile/Leonardo_TaleroColombiaUNAB Campus Bucaramanga2021-01-28T16:29:07Z2021-01-28T16:29:07Z2020http://hdl.handle.net/20.500.12749/12070instname:Universidad Autónoma de Bucaramanga - UNABreponame:Repositorio Institucional UNABrepourl:https://repository.unab.edu.coEl presente proyecto presenta una solución para la etapa de madurez en el ciclo productivo del cacao, dado que una cosecha oportuna es uno de los factores que inciden en el rendimiento del producto (medido en “peso de granos recolectado/ unidad de área cosechada”). Teniendo en cuenta lo anterior, durante la etapa de revisión de antecedentes y estado del arte se identificó la oportunidad de generar una solución que permita reducir las imprecisiones generadas por la inspección visual (al ser un proceso completamente manual y no estandarizado), ya que ésta se ve afectada por distintas variaciones tales como problemas de visión, la cantidad de horas luz al que es expuesto un fruto de cacao, las características del suelo y sus respectivos nutrientes, y la altura de la plantación. La interacción de los factores mencionados previamente incide en que los colores que puede tomar una misma variedad de mazorca de cacao no sean uniformes a lo largo de la misma unidad productiva, y menos en otra ubicación. Así mismo, la ingente cantidad de variedades de cacao, hacen que la identificación del estado de madurez de la mazorca sea un proceso abstruso, por consiguiente, en este proyecto se seleccionó la variedad TCS-01 (Theobroma Corpoica La suiza 01), ya que esta posee un rendimiento mejor en comparación con otras variedades disponibles de AGROSAVIA, además, tiene un récord en tamaño de grano y, por último, es endémica de Santander. Esta variedad en específico presenta un inconveniente, ya que sus granos tienden a germinarse en un estado final de madurez, a causa de los factores anteriormente mencionados y la precoz germinación de esta variedad. Con miras en remediar la pérdida de producción por la presencia de granos maduros dentro de la mazorca, se propone el desarrollo de una herramienta fácilmente transferible que le ayude al cacaotero a identificar el estado de madurez de la mazorca cuando no tenga una plena certeza, además de sentar una base tecnológica para futuros desarrollos en esta área y, por último, promover el uso de variedades autóctonas en la región para aquellos agricultores que se encuentran incursionando, aportando así la información necesaria para su capacitación.1. RESUMEN 11 2. PLANTEAMIENTO DEL PROBLEMA 12 2.1. DEFINICIÓN DEL PROBLEMA 12 2.2. JUSTIFICACIÓN DEL PROYECTO 13 3. OBJETIVOS 17 3.1. OBJETIVO GENERAL 17 3.2. OBJETIVOS ESPECÍFICOS 17 4. RESULTADOS ESPERADOS 18 4.1. OBJETIVO ESPECÍFICO 1 18 4.2. OBJETIVO ESPECÍFICO 2 18 4.3. OBJETIVO ESPECÍFICO 3 18 4.4. OBJETIVO ESPECÍFICO 4 18 5. REVISIÓN DE LA LITERATURA 20 5.1. APARTADO UNO 20 5.1.1. Máquina de vectores de soporte (Support Vector Machine – SVM) 23 5.1.2. Red neuronal Artificial (Artificial Neural Network - ANN) 23 5.1.3. K- Vecino más cercano (K-Nearest Neighboor - KNN) 24 5.1.4. Múltiples técnicas 24 5.1.5. Tratamiento de las imágenes 24 5.2. APARTADO DOS 25 5.2.1. Tomates 26 5.2.2. Bananos 27 5.2.3. Papaya 28 5.2.4. Manzanas 29 5.2.5. Pimentón 29 5.2.6. Método de captura de datos 29 5.3. CONCLUSIONES DE LA REVISIÓN 29 6. MARCO TEÓRICO 32 6.1. AGRICULTURA Y CACAO 32 6.1.1. Agricultura 32 6.1.2. Etapas del ciclo agrícola 33 6.1.3. Cacao criollo 34 6.1.4. Cacao forastero 35 6.1.5. Cacao trinitario 36 6.1.6. Teobroma Corpoica La Suiza 01 (TCS-01) 37 6.1.7. Etapa de madurez 37 6.2. INTELIGENCIA ARTIFICIAL 38 6.2.1. ¿Cómo aprende una maquina? 39 6.2.2. Inteligencia artificial 39 6.2.3. Aprendizaje automático 40 6.2.4. Tipos de aprendizaje 41 6.2.5. Técnicas de aprendizaje: 41 6.2.6. WEKA 55 6.2.7. YOLO 55 6.2.8. Darkflow 55 6.2.9. TensorFlow 55 6.3. PROCESAMIENTO DE IMÁGENES 56 6.3.1. Procesamiento de imágenes digitales a color 56 6.3.2. Definición de imágenes digitales 56 6.3.3. Herramientas 57 6.3.4. Convolución 57 6.3.5. Propiedades 57 6.3.6. Transformada de Fourier 58 6.3.7. Conceptos fundamentales del color 59 6.3.8. Modelos de color 61 6.3.9. Segmentación de imágenes 63 6.4. HERRAMIENTAS DE SOPORTE 66 6.4.1. LabelImg: 67 6.4.2. Android Studio: 67 6.4.3. NDK: 68 7. DISEÑO METODOLÓGICO 69 7.1. METODOLOGÍA DE LA INVESTIGACIÓN 69 7.2. METODOLOGÍA DE LA CONSOLIDACIÓN DEL DATASET 73 7.3. METODOLOGÍA DE LA DESARROLLO DE SOFTWARE 74 7.3.1. El conjunto de datos 74 7.3.2. Aplicación de estimación del nivel de madurez “DELECO” 75 8. DISCUSIÓN DE RESULTADOS 80 8.1. ARTICULO CIENTÍFICO Y FUNDAMENTO TEÓRICO 80 8.2. DATASET 80 8.3. MODELO 83 8.4. APLICATIVO MÓVIL 85 9. CONCLUSIONES 87 10. BIBLIOGRAFÍA 88PregradoThis project presents a solution for the maturity stage in the cocoa production cycle, since a timely harvest is one of the factors that affect the yield of the product (measured in "weight of beans harvested / unit of harvested area") . Taking into account the above, during the background and state of the art review stage, the opportunity was identified to generate a solution that allows reducing the inaccuracies generated by visual inspection (as it is a completely manual and non-standardized process), since this It is affected by different variations such as vision problems, the amount of light hours to which a cocoa fruit is exposed, the characteristics of the soil and its respective nutrients, and the height of the plantation. The interaction of factors mentioned previously affects the fact that the colors that the same variety of cocoa pod can take are not uniform throughout the same production unit, and less so in another location. Likewise, the huge number of cocoa varieties make the identification of the pod's state of maturity an abstruse process, therefore, in this project the TCS-01 variety (Theobroma Corpoica La suiza 01) was selected, since it has a better yield compared to other varieties available from AGROSAVIA, in addition, it has a record in grain size and, finally, it is endemic to Santander. This specific variety has a drawback, since its grains tend to germinate in a final state of maturity, due to the aforementioned factors and the early germination of this variety. With a view to remedying the loss of production due to the presence of ripe grains inside the pod, the development of an easily transferable tool is proposed to help the cocoa farmer to identify the state of maturity of the pod when they are not fully certain, in addition to lay a technological base for future developments in this area and, finally, to promote the use of indigenous varieties in the region to those farmers who are making incursions, thus providing the necessary information for their training.Modalidad Presencialapplication/pdfspahttp://creativecommons.org/licenses/by-nc-nd/2.5/co/Abierto (Texto Completo)info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Atribución-NoComercial-SinDerivadas 2.5 ColombiaAplicación para estimar el nivel de madurez en las mazorcas de cacao haciendo uso de visión por computador y aprendizaje de máquina “DELECO”Application to estimate the level of maturity in cocoa pods using computer vision and machine learning "DELECO"Ingeniero 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 innovationsCacao production cycleComputer visionAgricultural administrationCropsFarmingMarket economyIngeniería de sistemasInnovaciones tecnológicasAdministración agrícolaCultivosAgriculturaEconomía de mercadoCiclo productivo del cacaoVisión por computadorDELECOAbadi, M., Agarwal, A., Barham, P., Brevdo, E., Chen, Z., Citro, C., Corrado, G. S., Davis, A., Dean, J., Devin, M., Ghemawat, S., Goodfellow, I., Harp, A., Irving, G., Isard, M., Jia, Y., Jozefowicz, R., Kaiser, L., Kudlur, M., … Zheng, X. (2016). TensorFlow: Large-Scale Machine Learning on Heterogeneous Distributed Systems. http://arxiv.org/abs/1603.04467Angelia, R. E., & Linsangan, N. B. (2018). Fermentation level classification of cross cut cacao beans using k-NN algorithm. ACM International Conference Proceeding Series, 64–68. https://doi.org/10.1145/3309129.3309142Arenga, D. Z. H., & Dela Cruz, J. C. (2018). Ripeness classification of cocoa through acoustic sensing and machine learning. HNICEM 2017 - 9th International Conference on Humanoid, Nanotechnology, Information Technology, Communication and Control, Environment and Management, 2018-Janua, 1–6. https://doi.org/10.1109/HNICEM.2017.8269438Batista, L. (2009). El cultivo de cacaco. CEDAFBendemra, H. (2017). Medium.Briones, V., & Aguilera, J. M. (2005). Image analysis of changes in surface color of chocolate. Food Research International, 38(1), 87–94. https://doi.org/10.1016/j.foodres.2004.09.002CABISCO/ECA/FCC. (2015). Cocoa Beans : Chocolate & Cocoa Industry Quality Requirements. http://www.cocoaquality.eu/data/Cocoa Beans Industry Quality Requirements Apr 2016_En.pdfCalvo, D. (2017). diegocalvoCattin, P. D. P. (2016). Digital Image Fundamentals. Introduction to Signal and Image ProcessingCazau, P. (2006). INTRODUCCIÓN A LA INVESTIGACIÓN EN CIENCIAS SOCIALES (Vol. 3).Clark, R. N. (2019). Color Part 1: CIE Chromaticity and Perception. CIE Chromaticity and Perception.COLCIENCIAS. (2018). Grupos de investigación e investigadores reconocidos.Colombia Productiva. (2020). Pacto por el crecimiento y para la generación de empleo del sector farmacéutico. 22.CORPOICA. (2019a). Clon de Cacao TCS 01: Theobroma Corpoica La Suiza 01. http://hdl.handle.net/20.500.12324/34650CORPOICA. (2019b). Nueva variedad de cacao TCS 01. In Oferta Tecnológica (p. 1). https://www.agrosavia.co/productos-y-servicios/oferta-tecnológica/0337- variedad-de-cacao-tcs-01Damez, J.-L., & Clerjon, S. (2008). Meat quality assessment using biophysical methods related to meat structure. Meat Science, 80(1), 132–149. https://doi.org/https://doi.org/10.1016/j.meatsci.2008.05.039Dean, T. L., Allen, J., & Aloimonos, J. (1995). Artificial Intelligence: Theory and Practice. Benjamin/Cummings Publishing Company.Departamento Nacional De Planeación. (2015). El campo colombiano: Un camino hacia el bienestar y la paz. Misión para la transformación del campo. (p. 114). DNPEl-Bendary, N., El Hariri, E., Hassanien, A. E., & Badr, A. (2015). Using machine learning techniques for evaluating tomato ripeness. Expert Systems with Applications, 42(4), 1892–1905. https://doi.org/10.1016/j.eswa.2014.09.057Elhariri, E., El-Bendary, N., Hussein, A. M. M., Hassanien, A. E., & Badr, A. (2015). Bell pepper ripeness classification based on support vector machine. ICET 2014 - 2nd International Conference on Engineering and Technology. https://doi.org/10.1109/ICEngTechnol.2014.7016802Engbersen, N., Gramlich, A., Lopez, M., Schwarz, G., Hattendorf, B., Gutierrez, O., & Schulin, R. (2019). Cadmium accumulation and allocation in different cacao cultivars. Science of the Total Environment, 678, 660–670. https://doi.org/10.1016/j.scitotenv.2019.05.001FAO. (2018). Colombia en una mirada. http://www.fao.org/colombia/fao-encolombia/ colombia-en-una-mirada/esFedecacao. (2012). Manejo fitosanitario del cultivo del cacao. ICA.FEDECACAO. (2017). FEDECACAO. http://www.fedecacao.com.co/portal/index.php/es/2015-04-23-20-00-33/326-en- 2016-se-logro-nuevo-record-en-produccion-nacional-de-cacaoFEDECACAO. (2019). Colombia cacaotera nov-dic 2019. https://issuu.com/yeison73/docs/colombia_cacaotera__-_novdic_2019_-_20pag_- final_oFEDECACAO, & Rosillo, E. A. (2012). Colombia Cacaotera. Revista de La Federación Nacional de Cacaoteros.Gastelum-Barrios, A., Garcia-Trejo, J. F., Soto-Zarazua, G. M., Macias-Bobadilla, G., & Toledano-Ayala, M. (2018). Portable System to Estimate Ripeness and Lycopene Content in Fresh Tomatoes Based on Image Processing. 2018 14th International Engineering Congress, CONIIN 2018. https://doi.org/10.1109/CONIIN.2018.8489814Glasbey, C. (2012). Chapter 4: Segmentation. Tractates Sabbat and ’Eruvin, 1–31. https://doi.org/10.1515/9783110289039.163González-Campos, V. P. (2019). UNIVERSIDAD POLITÉCNICA DE MADRIDGonzalez, R. C., & Woods, R. E. (2007). Digital Image Processing (3rd Edition). In Prentice-Hall, Inc. Upper Saddle River, NJ, USA ©2006.Greenspan, H., van Ginneken, B., & Summers, R. M. (2016). Guest Editorial Deep Learning in Medical Imaging: Overview and Future Promise of an Exciting New Technique. IEEE Transactions on Medical Imaging, 35(5), 1153–1159. https://doi.org/10.1109/TMI.2016.2553401Guerrero, N. C. (2016). Evaluación de componentes físicos, químicos, organolépticos y del rendimiento de clones universales y regionales de cacao ({Theobroma} cacao {L}.) en las zonas productoras de {Santander}. Arauca y {Huila}.Hamza, R., & Chtourou, M. (2018). Apple ripeness estimation using artificial neural network. In S. W. W. Zine-Dine K. (Ed.), Proceedings - 2018 International Conference on High Performance Computing and Simulation, HPCS 2018 (pp. 229– 234). Institute of Electrical and Electronics Engineers Inc. https://doi.org/10.1109/HPCS.2018.00049Herrera, F. (2018). ODS en Colombia: Los retos para 2030. Pnud, 74. https://www.undp.org/content/dam/colombia/docs/ODS/undp_co_PUBL_julio_ODS _en_Colombia_los_retos_para_2030_ONU.pdfKipli, K., Zen, H., Sawawi, M., Noor, M. S. M., Julai, N., Junaidi, N., Razali, M. I. S. M., Chin, K. L., & Masra, S. M. W. (2018). Image Processing Mobile Application for Banana Ripeness Evaluation. 2018 International Conference on Computational Approach in Smart Systems Design and Applications, ICASSDA 2018. https://doi.org/10.1109/ICASSDA.2018.8477600Le, T.-T., Lin, C.-Y., & Piedad, E. J. (2019). Deep learning for noninvasive classification of clustered horticultural crops – A case for banana fruit tiers. Postharvest Biology and Technology, 156. https://doi.org/10.1016/j.postharvbio.2019.05.023Learned-Miller, E. G. (2014). Introduction to Supervised Learning. University of Massachusetts, Amherst, 1–5.León-Roque, N., Abderrahim, M., Nuñez-Alejos, L., Arribas, S. M., & Condezo- Hoyos, L. (2016). Prediction of fermentation index of cocoa beans (Theobroma cacao L.) based on color measurement and artificial neural networks. Talanta, 161, 31–39. https://doi.org/10.1016/j.talanta.2016.08.022Light vs. Pigments. (2015).López, E. B. (2017). El cacao : sinónimo de paz en Colombia. In Agroindustria del cacao. (Issue 185). VirtualPro. https://www.virtualpro.co/editoriales/20170601- ed.pdfMacQueen, J. (1967). Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability. University of {California} {Press}. {Recuperado} El, 2019.Marshal, D. (1997). Region Growing.May, Z., & Amaran, M. (2011). Automated ripeness assessment of oil palm fruit using RGB and fuzzy logic technique. 52–59. https://www.researchgate.net/publication/262290296_Automated_ripeness_assess ment_of_oil_palm_fruit_using_RGB_and_fuzzy_logic_techniqueMazen, F. M. A., & Nashat, A. A. (2019). Ripeness Classification of Bananas Using an Artificial Neural Network. Arabian Journal for Science and Engineering, 44(8), 6901–6910. https://doi.org/10.1007/s13369-018-03695-5Méndez, J. T., & Morales, R. M. (2008). Inteligencia Artificial: Métodos. McGRAWHILL/ INTERAMERICANA DE ESPAÑAMhaski, R. R., Chopade, P. B., & Dale, M. P. (2016). Determination of ripeness and grading of tomato using image analysis on Raspberry Pi. In B. A. C. A. Shukla A. Goyal V. (Ed.), International Conference Communication, Control and Intelligent Systems, CCIS 2015 (pp. 214–220). Institute of Electrical and Electronics Engineers Inc. https://doi.org/10.1109/CCIntelS.2015.7437911Minciencias. (2020). Avances Plan Estratégico Institucional 2019. https://minciencias.gov.co/sites/default/files/upload/planeacion/informe_de_gestion _y_resultado_2019.pdfMorcillo, C. G. (2017). Lógica Difusa Una introducción práctica. Obtenido de.Moujahid, A., Inza, I., & Larrañaga, P. (2008). Clasificadores. Recuperado El, 2019.Mustafa, N. B. A., Fuad, N. A., Ahmed, S. K., Abidin, A. A. Z., Ali, Z., Wong, B. Y., & Sharrif, Z. A. M. (2008). Image processing of an agriculture produce: Determination of size and ripeness of a banana. Proceedings - International Symposium on Information Technology 2008, ITSim, 1. https://doi.org/10.1109/ITSIM.2008.4631636Nguyễn, H. V. H., Lê, H. M., & Savage, G. P. (2018). Effects of maturity at harvesting and primary processing of cocoa beans on oxalate contents of cocoa powder. Journal of Food Composition and Analysis, 67, 86–90. https://doi.org/10.1016/j.jfca.2018.01.007Nielsen, M. (2015). Neural Networks and Deep Learning. Determination Press, 2019.Organización de las Naciones Unidas para la Agricultura y la Alimentación, F. (2009). La agricultura mundial en la perspectiva del año 2050. Fao, 4. http://www.fao.org/fileadmin/templates/wsfs/docs/IPareja, I. V. (2003). Decisiones empresariales bajo riesgo e incertidumbre. Grupo Editorial Norma. https://books.google.com.co/books?id=mGlZ7mHPsUICParra, P., Negrete, T., Llaguno, J., & Vega, N. (2018). Computer Vision Techniques Applied in the Estimation of the Cocoa Beans Fermentation Grade. In C. J.D.C. (Ed.), 2018 IEEE ANDESCON, ANDESCON 2018 - Conference Proceedings. Institute of Electrical and Electronics Engineers Inc. https://doi.org/10.1109/ANDESCON.2018.8564569Parra, P., Negrete, T., LLaguno, J., & Vega, N. (2018). Determination of the degree of fermentation of cocoa through different techniques of artificial vision. Proceedings of the LACCEI International Multi-Conference for Engineering, Education and Technology, 2018-July. https://doi.org/10.18687/LACCEI2018.1.1.163Pijlman, J., Geurts, J., Vroom, R. J. E., Bestman, M., Fritz, C., & van Eekeren, N. (2019). The effects of harvest date and frequency on the yield, nutritional value and mineral content of the paludiculture crop cattail (Typha latifolia L.) in the first year after planting. Mires and Peat, 25, 1–19.Pjatkin, K. (2014). Probability Distribution Function Based Iris Recognition System Boosted By The Mean RulePolder, G., Van Der Heijden, G. W. A. M., & Young, I. T. (2002). Spectral image analysis for measuring ripeness of tomatoes. Transactions of the American Society of Agricultural Engineers, 45(4), 1155–1161. https://www.researchgate.net/publication/40119578_Spectral_image_analysis_for_ measuring_ripeness_of_tomatoesPonce, P. (2010). Inteligencia artificial con aplicaciones a la ingenieria (Primera ed.). In Mexico: Alfaomega Grupo Editor. S.ARawat, W., & Wang, Z. (2017). Deep Convolutional Neural Networks for Image Classification: A Comprehensive Review (Vol. 29). MIT Press. Obtenido de.Redmon, J., & Farhadi, A. (2017). YOLO9000: Better, faster, stronger. Proceedings - 30th IEEE Conference on Computer Vision and Pattern Recognition, CVPR 2017, 2017-Janua, 6517–6525. https://doi.org/10.1109/CVPR.2017.690Riskiawan, H. Y., Puspitasari, T. D., Hasanah, F. I., Wahyono, N. D., & Fatoni Kurnianto, M. (2018). Identifying Cocoa ripeness using K-Nearest Neighbor (KNN) Method. In A. I. A. D. O. M. F. D. Al Rasyid M.U.H. Tjahjono A. (Ed.), Proceedings - 2018 International Conference on Applied Science and Technology, iCAST 2018 (pp. 354–357). Institute of Electrical and Electronics Engineers Inc. https://doi.org/10.1109/iCAST1.2018.8751633Rupanagudi, S. R., Ranjani, B. S., Nagaraj, P., & Bhat, V. G. (2014). A cost effective tomato maturity grading system using image processing for farmers. Proceedings of 2014 International Conference on Contemporary Computing and Informatics, IC3I 2014, 7–12. https://doi.org/10.1109/IC3I.2014.7019591Russell, S. J., & Norvig, P. (2004). INTELIGENCIA ARTIFICIAL. In U. N. E. M. (Segunda ed (Ed.), Madrid: PEARSON EDUCACIÓN, S. A. Recuperado el 2019.Saad, H., & Hussain, A. (2006). Classification for the ripeness of papayas using artificial neural network (ANN) and threshold rule. SCOReD 2006 - Proceedings of 2006 4th Student Conference on Research and Development “Towards Enhancing Research Excellence in the Region,” 132–136. https://doi.org/10.1109/SCORED.2006.4339325Saadl, H., Ismaie, A. P., Othmanl, N., Jusohl, M. H., Naim, N. F., & Ahmad, N. A. (2009). Recognizing the ripeness of bananas using artificial neural network based on histogram approach. ICSIPA09 - 2009 IEEE International Conference on Signal and Image Processing Applications, Conference Proceedings, 536–541. https://doi.org/10.1109/ICSIPA.2009.5478715Salama, A. K. (2019). Health risk assessment of heavy metals content in cocoa and chocolate products sold in Saudi Arabia. Toxin Reviews, 38(4), 318–327. https://doi.org/10.1080/15569543.2018.1471090Sampieri, R. H., Collado, C. F., & Lucio, M. d. (2014). Metodologia de la investigación (Sexta ed.). Mexico D. McGRAW-HILL / INTERAMERICANA EDITORES, S.A. DE C.V.Sánchez, M. Á., León, D. G., Arce, S. M., López, T. D., & Rodriguez, P. M. (2017). Manual tecnico del cultivo de cacao, Buenas practicas para america latina. Instituto Interamericano de Cooperación para la Agricultura.Santos, F. A., Palmeira, E. S., & Jesus, G. J. (2019). An image dataset of cut-testclassified cocoa beans. Data in Brief, 24. https://doi.org/10.1016/j.dib.2019.103916Santos Pereira, L. F., Barbon S., J., Valous, N. A., & Barbin, D. F. (2018). Predicting the ripening of papaya fruit with digital imaging and random forests. Computers and Electronics in Agriculture, 145, 76–82. https://doi.org/10.1016/j.compag.2017.12.029Simbolon, Z. K., Syakry, S. A., Mulyadi, & Syahroni, M. (2019). Separation of the Mature Level of Papaya Callina Fruit Automatically Based on Color (RGB) uses Digital Image Processing. In H. S. W. L. A. A. R. M. F. R. M. F. A. J. M. H. R. A. H. A. A. M. T. J. M. A. M. B. F. Usman Safitri N. (Ed.), IOP Conference Series: Materials Science and Engineering (Vol. 536, Issue 1). Institute of Physics Publishing. https://doi.org/10.1088/1757-899X/536/1/012127Tan, 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. Proceedings - 2016 IEEE Region 10 Symposium, TENSYMP 2016, 384–389. https://doi.org/10.1109/TENCONSpring.2016.7519437Tan, D. S., Leong, R. N., Laguna, A. F., Ngo, C. A., Lao, A., Amalin, D. M., & Alvindia, D. G. (2018). AuToDiDAC: Automated Tool for Disease Detection and Assessment for Cacao Black Pod Rot. Crop Protection, 103, 98–102. https://doi.org/10.1016/j.cropro.2017.09.017Taofik, A., Ismail, N., Gerhana, Y. A., Komarujaman, K., & Ramdhani, M. A. (2018). Design of Smart System to Detect Ripeness of Tomato and Chili with New Approach in Data Acquisition. In W. I. Abdullah A.G. Nandiyanto A.B.D. (Ed.), IOP Conference Series: Materials Science and Engineering (Vol. 288, Issue 1). Institute of Physics Publishing. https://doi.org/10.1088/1757-899X/288/1/012018Tee, Y.-K., Balasundram, S. K., Ding, P., M Hanif, A. H., & Bariah, K. (2019). Determination of optimum harvest maturity and non-destructive evaluation of pod development and maturity in cacao (Theobroma cacao L.) using a multiparametric fluorescence sensor. Journal of the Science of Food and Agriculture, 99(4), 1700– 1708. https://doi.org/10.1002/jsfa.9359Trieu, T. H. (2018). Darkflow. GitHub Repository. Available Online: Https://Github. Com/Thtrieu/Darkflow (Accessed on 14 February 2019).Tyler, T. (2016). Chapter 9: Image Segmentation.Villanueva-Mejía, D. F. (2018). Analisis sector agricolaWong, R. (2019). Visible light spectrum. Color waves length perceived by human eye. Rainbow electromagnetic waves. Educational school physics diagram.Xu, R., & Wunsch, D. (2009). Clustering. Wiley.Yen, D., & Nguyễn, H. (2018). Effects of maturity stages and fermentation of cocoa beans on total phenolic contents and antioxidant capacities in raw cocoa powder. Vietnam Journal of Biotechnology, 14, 743–752. https://doi.org/10.15625/1811- 4989/14/4/12309Young, T., Gerbrands, J. J., & Van Vliet, L. J. (2007). Fundamentals of Image Processing, Complex Numbers and Fourier TransformZadeh, L. A. (1965). Fuzzy sets. Information and Control, 8(3), 338–353. https://doi.org/https://doi.org/10.1016/S0019-9958(65)90241-XZhang, L., Jia, J., Gui, G., Hao, X., Gao, W., & Wang, M. (2018). Deep Learning Based Improved Classification System for Designing Tomato Harvesting Robot. IEEE Access, 6, 67940–67950. https://doi.org/10.1109/ACCESS.2018.2879324Zhu, M. (2004). Recall, precision and average precision.ORIGINAL2020_Tesis_Juan_Felipe_Heredia.pdf2020_Tesis_Juan_Felipe_Heredia.pdfTesisapplication/pdf3043937https://repository.unab.edu.co/bitstream/20.500.12749/12070/1/2020_Tesis_Juan_Felipe_Heredia.pdf88fabbe2c630b74c92c36131684f7486MD51open access2020_Licencia_Juan_Felipe_Heredia.pdf2020_Licencia_Juan_Felipe_Heredia.pdfLicenciaapplication/pdf689592https://repository.unab.edu.co/bitstream/20.500.12749/12070/2/2020_Licencia_Juan_Felipe_Heredia.pdfa58e2de2a1bbf948531be1080f6533e8MD52metadata only accessTHUMBNAIL2020_Tesis_Juan_Felipe_Heredia.pdf.jpg2020_Tesis_Juan_Felipe_Heredia.pdf.jpgIM Thumbnailimage/jpeg5128https://repository.unab.edu.co/bitstream/20.500.12749/12070/4/2020_Tesis_Juan_Felipe_Heredia.pdf.jpg4c3ac374dd3e76e44203066953d5bbbbMD54open access2020_Licencia_Juan_Felipe_Heredia.pdf.jpg2020_Licencia_Juan_Felipe_Heredia.pdf.jpgIM Thumbnailimage/jpeg10098https://repository.unab.edu.co/bitstream/20.500.12749/12070/5/2020_Licencia_Juan_Felipe_Heredia.pdf.jpge6806d4c897feb35d2b7abebb2381b93MD55open accessLICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://repository.unab.edu.co/bitstream/20.500.12749/12070/3/license.txt8a4605be74aa9ea9d79846c1fba20a33MD53open access20.500.12749/12070oai:repository.unab.edu.co:20.500.12749/120702023-03-15 09:43:21.408open accessRepositorio Institucional | Universidad Autónoma de Bucaramanga - UNABrepositorio@unab.edu.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 |