Procesamiento de imágenes de fruto de palma de aceite mediante técnicas de Machine Learning para la clasificación de fruto y predicción de la calidad de aceite de palma

El color se ha utilizado como indicador de estado de maduración en el sector agroindustrial de aceite de palma. Actualmente, este texto se evalúa manualmente mediante la inspección visual del cosechero, lo que conlleva la detección de la calidad del fruto de la palma de aceite (RFF). Este trabajo pr...

Full description

Autores:
Contreras Ayala, Juan Pablo
Tipo de recurso:
Trabajo de grado de pregrado
Fecha de publicación:
2018
Institución:
Universidad de los Andes
Repositorio:
Séneca: repositorio Uniandes
Idioma:
spa
OAI Identifier:
oai:repositorio.uniandes.edu.co:1992/39265
Acceso en línea:
http://hdl.handle.net/1992/39265
Palabra clave:
Aprendizaje automático (Inteligencia artificial)
Procesamiento de imágenes
Redes neurales (Computadores)
Redes neuronales convolucionales
Ingeniería
Rights
openAccess
License
https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf
id UNIANDES2_604cc53d692ca8633c89c207adaf5487
oai_identifier_str oai:repositorio.uniandes.edu.co:1992/39265
network_acronym_str UNIANDES2
network_name_str Séneca: repositorio Uniandes
repository_id_str
dc.title.es_CO.fl_str_mv Procesamiento de imágenes de fruto de palma de aceite mediante técnicas de Machine Learning para la clasificación de fruto y predicción de la calidad de aceite de palma
title Procesamiento de imágenes de fruto de palma de aceite mediante técnicas de Machine Learning para la clasificación de fruto y predicción de la calidad de aceite de palma
spellingShingle Procesamiento de imágenes de fruto de palma de aceite mediante técnicas de Machine Learning para la clasificación de fruto y predicción de la calidad de aceite de palma
Aprendizaje automático (Inteligencia artificial)
Procesamiento de imágenes
Redes neurales (Computadores)
Redes neuronales convolucionales
Ingeniería
title_short Procesamiento de imágenes de fruto de palma de aceite mediante técnicas de Machine Learning para la clasificación de fruto y predicción de la calidad de aceite de palma
title_full Procesamiento de imágenes de fruto de palma de aceite mediante técnicas de Machine Learning para la clasificación de fruto y predicción de la calidad de aceite de palma
title_fullStr Procesamiento de imágenes de fruto de palma de aceite mediante técnicas de Machine Learning para la clasificación de fruto y predicción de la calidad de aceite de palma
title_full_unstemmed Procesamiento de imágenes de fruto de palma de aceite mediante técnicas de Machine Learning para la clasificación de fruto y predicción de la calidad de aceite de palma
title_sort Procesamiento de imágenes de fruto de palma de aceite mediante técnicas de Machine Learning para la clasificación de fruto y predicción de la calidad de aceite de palma
dc.creator.fl_str_mv Contreras Ayala, Juan Pablo
dc.contributor.advisor.none.fl_str_mv Valencia Arboleda, Carlos Felipe
dc.contributor.author.none.fl_str_mv Contreras Ayala, Juan Pablo
dc.contributor.jury.none.fl_str_mv Franco de los Ríos, Camilo Andrés
Acosta Mejía, Camilo Andrés
dc.subject.keyword.es_CO.fl_str_mv Aprendizaje automático (Inteligencia artificial)
Procesamiento de imágenes
Redes neurales (Computadores)
Redes neuronales convolucionales
topic Aprendizaje automático (Inteligencia artificial)
Procesamiento de imágenes
Redes neurales (Computadores)
Redes neuronales convolucionales
Ingeniería
dc.subject.themes.none.fl_str_mv Ingeniería
description El color se ha utilizado como indicador de estado de maduración en el sector agroindustrial de aceite de palma. Actualmente, este texto se evalúa manualmente mediante la inspección visual del cosechero, lo que conlleva la detección de la calidad del fruto de la palma de aceite (RFF). Este trabajo presenta el desarrollo de un sistema de clasificación automatizado de fruto de aceite con las características de color de las imágenes en el campo para el clasificar el estado de maduración del racimo de palma africana. Esta metodología utiliza técnicas de procesamiento a imágenes como los vecinos más cercanos. El enfoque en esta investigación utiliza Redes Neuronales Artificiales (ANN), Redes Neuronales Convolucionales (CNN) y algoritmos de Random Forest (RF), para el RFF en los siguientes cinco estados de maduración: verde, verde-madura, madura, madura-sobremadura y sobremadura. Finalmente la predicción de la producción de aceite. Se realizaron pruebas en un conjunto de datos de un total de 250 imágenes (50 imágenes para cada una de las cinco categorías de RFF. El resultado mostró que el mejor clasificador es la red convolucional, alcanzando un 94% de efectividad en la clasificación.
publishDate 2018
dc.date.issued.none.fl_str_mv 2018
dc.date.accessioned.none.fl_str_mv 2020-06-10T16:08:19Z
dc.date.available.none.fl_str_mv 2020-06-10T16:08:19Z
dc.type.spa.fl_str_mv Trabajo de grado - Pregrado
dc.type.coarversion.fl_str_mv http://purl.org/coar/version/c_970fb48d4fbd8a85
dc.type.driver.spa.fl_str_mv info:eu-repo/semantics/bachelorThesis
dc.type.coar.spa.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
dc.type.content.spa.fl_str_mv Text
dc.type.redcol.spa.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/1992/39265
dc.identifier.pdf.none.fl_str_mv u821167.pdf
dc.identifier.instname.spa.fl_str_mv instname:Universidad de los Andes
dc.identifier.reponame.spa.fl_str_mv reponame:Repositorio Institucional Séneca
dc.identifier.repourl.spa.fl_str_mv repourl:https://repositorio.uniandes.edu.co/
url http://hdl.handle.net/1992/39265
identifier_str_mv u821167.pdf
instname:Universidad de los Andes
reponame:Repositorio Institucional Séneca
repourl:https://repositorio.uniandes.edu.co/
dc.language.iso.es_CO.fl_str_mv spa
language spa
dc.rights.uri.*.fl_str_mv https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf
dc.rights.accessrights.spa.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.coar.spa.fl_str_mv http://purl.org/coar/access_right/c_abf2
rights_invalid_str_mv https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf
http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv openAccess
dc.format.extent.es_CO.fl_str_mv 58 hojas
dc.format.mimetype.es_CO.fl_str_mv application/pdf
dc.publisher.es_CO.fl_str_mv Universidad de los Andes
dc.publisher.program.es_CO.fl_str_mv Ingeniería Industrial
dc.publisher.faculty.es_CO.fl_str_mv Facultad de Ingeniería
dc.publisher.department.es_CO.fl_str_mv Departamento de Ingeniería Industrial
dc.source.es_CO.fl_str_mv instname:Universidad de los Andes
reponame:Repositorio Institucional Séneca
instname_str Universidad de los Andes
institution Universidad de los Andes
reponame_str Repositorio Institucional Séneca
collection Repositorio Institucional Séneca
bitstream.url.fl_str_mv https://repositorio.uniandes.edu.co/bitstreams/6f9a3b62-f710-488b-b360-96031ca8bee3/download
https://repositorio.uniandes.edu.co/bitstreams/1fea14ac-fc54-4d82-9ff1-0814681d80df/download
https://repositorio.uniandes.edu.co/bitstreams/c3c3765f-e89b-40c8-91c7-cfab90ed933d/download
bitstream.checksum.fl_str_mv b3bf27aebc0d2d2461c98059676a0679
911e3b9709a974811dbe13e83f775e32
8a9a35ae850e86e97217a211a3db8a0e
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Repositorio institucional Séneca
repository.mail.fl_str_mv adminrepositorio@uniandes.edu.co
_version_ 1812134049899085824
spelling Al consultar y hacer uso de este recurso, está aceptando las condiciones de uso establecidas por los autores.https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdfinfo:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Valencia Arboleda, Carlos Felipevirtual::15731-1Contreras Ayala, Juan Pablo50127500Franco de los Ríos, Camilo AndrésAcosta Mejía, Camilo Andrés2020-06-10T16:08:19Z2020-06-10T16:08:19Z2018http://hdl.handle.net/1992/39265u821167.pdfinstname:Universidad de los Andesreponame:Repositorio Institucional Sénecarepourl:https://repositorio.uniandes.edu.co/El color se ha utilizado como indicador de estado de maduración en el sector agroindustrial de aceite de palma. Actualmente, este texto se evalúa manualmente mediante la inspección visual del cosechero, lo que conlleva la detección de la calidad del fruto de la palma de aceite (RFF). Este trabajo presenta el desarrollo de un sistema de clasificación automatizado de fruto de aceite con las características de color de las imágenes en el campo para el clasificar el estado de maduración del racimo de palma africana. Esta metodología utiliza técnicas de procesamiento a imágenes como los vecinos más cercanos. El enfoque en esta investigación utiliza Redes Neuronales Artificiales (ANN), Redes Neuronales Convolucionales (CNN) y algoritmos de Random Forest (RF), para el RFF en los siguientes cinco estados de maduración: verde, verde-madura, madura, madura-sobremadura y sobremadura. Finalmente la predicción de la producción de aceite. Se realizaron pruebas en un conjunto de datos de un total de 250 imágenes (50 imágenes para cada una de las cinco categorías de RFF. El resultado mostró que el mejor clasificador es la red convolucional, alcanzando un 94% de efectividad en la clasificación."Color has been used as an indicator of the state of maturation in the palm oil sector. Currently, this text is evaluated manually by visual inspection of the harvester, which leads to the detection of the quality of the oil palm fruit (FFB). This work presents the development of a system of automated classification of oil fruit with the characteristics of color of the images in the field to classify the state of maturation of the African palm cluster. This methodology uses image processing techniques as the closest neighbors. The focus in this research uses Artificial Neural Networks (ANN), Convolutional Neural Networks (CNN) and Random Forest (RF) algorithms, for FBB in the following five stages of maturation: green, green-ripe, mature, mature-overripe and overripe. Finally the prediction of oil production. Data set is total of 250 images (50 images for each of the five categories of FBB. The result showed that the best classifier is the convolutional network, reaching a 94% effectiveness in the classification."--Tomado del Formato de Documento de Grado.Ingeniero IndustrialPregrado58 hojasapplication/pdfspaUniversidad de los AndesIngeniería IndustrialFacultad de IngenieríaDepartamento de Ingeniería Industrialinstname:Universidad de los Andesreponame:Repositorio Institucional SénecaProcesamiento de imágenes de fruto de palma de aceite mediante técnicas de Machine Learning para la clasificación de fruto y predicción de la calidad de aceite de palmaTrabajo de grado - Pregradoinfo:eu-repo/semantics/bachelorThesishttp://purl.org/coar/resource_type/c_7a1fhttp://purl.org/coar/version/c_970fb48d4fbd8a85Texthttp://purl.org/redcol/resource_type/TPAprendizaje automático (Inteligencia artificial)Procesamiento de imágenesRedes neurales (Computadores)Redes neuronales convolucionalesIngenieríaPublicationhttps://scholar.google.es/citations?user=vPH5LywAAAAJvirtual::15731-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000271403virtual::15731-1e1de19e8-629e-401d-a9d3-77eea3d2db48virtual::15731-1e1de19e8-629e-401d-a9d3-77eea3d2db48virtual::15731-1TEXTu821167.pdf.txtu821167.pdf.txtExtracted texttext/plain97767https://repositorio.uniandes.edu.co/bitstreams/6f9a3b62-f710-488b-b360-96031ca8bee3/downloadb3bf27aebc0d2d2461c98059676a0679MD54THUMBNAILu821167.pdf.jpgu821167.pdf.jpgIM Thumbnailimage/jpeg5985https://repositorio.uniandes.edu.co/bitstreams/1fea14ac-fc54-4d82-9ff1-0814681d80df/download911e3b9709a974811dbe13e83f775e32MD55ORIGINALu821167.pdfapplication/pdf1181189https://repositorio.uniandes.edu.co/bitstreams/c3c3765f-e89b-40c8-91c7-cfab90ed933d/download8a9a35ae850e86e97217a211a3db8a0eMD511992/39265oai:repositorio.uniandes.edu.co:1992/392652024-03-13 15:32:19.907https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdfopen.accesshttps://repositorio.uniandes.edu.coRepositorio institucional Sénecaadminrepositorio@uniandes.edu.co