Clasificación automática de estados de madurez de frutas utilizando imágenes hiperespectrales y redes neuronales convolucionales profundas

En este documento se lleva a cabo un sistema de visión por computador para la clasificación de estados de madurez de frutas utilizando imágenes hiperespectrales (HSI) y redes neuronales convolucionales (CNN). Para dicha tarea se evalúan tres frutas: aguacate, kiwi y papaya. Las HSI fueron captadas e...

Full description

Autores:
Jiménez Mejía, Yeison Stiven
Tipo de recurso:
Trabajo de grado de pregrado
Fecha de publicación:
2023
Institución:
Universidad Tecnológica de Pereira
Repositorio:
Repositorio Institucional UTP
Idioma:
spa
OAI Identifier:
oai:repositorio.utp.edu.co:11059/14931
Acceso en línea:
https://repositorio.utp.edu.co/home
https://hdl.handle.net/11059/14931
Palabra clave:
000 - Ciencias de la computación, información y obras generales::006 - Métodos especiales de computación
Algoritmos de aprendizaje profundo
Procesamiento de imágenes hiperespectrales
Reconocimiento de patrones
Aprendizaje profundo
Estados de madurez
Inteligencia artificial
Rights
openAccess
License
http://purl.org/coar/access_right/c_abf2
id UTP2_019e6287ab2415132b9c2bcbbff89952
oai_identifier_str oai:repositorio.utp.edu.co:11059/14931
network_acronym_str UTP2
network_name_str Repositorio Institucional UTP
repository_id_str
dc.title.spa.fl_str_mv Clasificación automática de estados de madurez de frutas utilizando imágenes hiperespectrales y redes neuronales convolucionales profundas
title Clasificación automática de estados de madurez de frutas utilizando imágenes hiperespectrales y redes neuronales convolucionales profundas
spellingShingle Clasificación automática de estados de madurez de frutas utilizando imágenes hiperespectrales y redes neuronales convolucionales profundas
000 - Ciencias de la computación, información y obras generales::006 - Métodos especiales de computación
Algoritmos de aprendizaje profundo
Procesamiento de imágenes hiperespectrales
Reconocimiento de patrones
Aprendizaje profundo
Estados de madurez
Inteligencia artificial
title_short Clasificación automática de estados de madurez de frutas utilizando imágenes hiperespectrales y redes neuronales convolucionales profundas
title_full Clasificación automática de estados de madurez de frutas utilizando imágenes hiperespectrales y redes neuronales convolucionales profundas
title_fullStr Clasificación automática de estados de madurez de frutas utilizando imágenes hiperespectrales y redes neuronales convolucionales profundas
title_full_unstemmed Clasificación automática de estados de madurez de frutas utilizando imágenes hiperespectrales y redes neuronales convolucionales profundas
title_sort Clasificación automática de estados de madurez de frutas utilizando imágenes hiperespectrales y redes neuronales convolucionales profundas
dc.creator.fl_str_mv Jiménez Mejía, Yeison Stiven
dc.contributor.advisor.none.fl_str_mv Holguín Londoño, Germán Andrés
dc.contributor.author.none.fl_str_mv Jiménez Mejía, Yeison Stiven
dc.subject.ddc.none.fl_str_mv 000 - Ciencias de la computación, información y obras generales::006 - Métodos especiales de computación
topic 000 - Ciencias de la computación, información y obras generales::006 - Métodos especiales de computación
Algoritmos de aprendizaje profundo
Procesamiento de imágenes hiperespectrales
Reconocimiento de patrones
Aprendizaje profundo
Estados de madurez
Inteligencia artificial
dc.subject.other.none.fl_str_mv Algoritmos de aprendizaje profundo
Procesamiento de imágenes hiperespectrales
Reconocimiento de patrones
dc.subject.proposal.spa.fl_str_mv Aprendizaje profundo
Estados de madurez
Inteligencia artificial
description En este documento se lleva a cabo un sistema de visión por computador para la clasificación de estados de madurez de frutas utilizando imágenes hiperespectrales (HSI) y redes neuronales convolucionales (CNN). Para dicha tarea se evalúan tres frutas: aguacate, kiwi y papaya. Las HSI fueron captadas en los rangos visible e infrarrojo cercano del espectro electromagnético. Los estados de madurez se clasifican en tres clases: inmaduro, maduro y sobremaduro. Además, para la clasificación se utilizan dos arquitecturas de CNN populares, AlexNet y ResNet50, y se propone una CNN para dicha tarea. La CNN propuesta muestra resultados prometedores y compite fuertemente con las otras dos CNN. Con esto se logra determinar que el sistema es adecuado para ser aplicado a tareas agroindustriales.
publishDate 2023
dc.date.issued.none.fl_str_mv 2023
dc.date.accessioned.none.fl_str_mv 2024-02-05T19:47:08Z
dc.date.available.none.fl_str_mv 2024-02-05T19:47:08Z
dc.type.none.fl_str_mv Trabajo de grado - Pregrado
dc.type.coar.none.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
dc.type.content.none.fl_str_mv Text
dc.type.driver.none.fl_str_mv info:eu-repo/semantics/bachelorThesis
dc.type.version.none.fl_str_mv info:eu-repo/semantics/acceptedVersion
format http://purl.org/coar/resource_type/c_7a1f
status_str acceptedVersion
dc.identifier.instname.none.fl_str_mv Universidad Tecnológica de Pereira
dc.identifier.reponame.none.fl_str_mv Repositorio Institucional Universidad Tecnológica de Pereira
dc.identifier.repourl.none.fl_str_mv https://repositorio.utp.edu.co/home
dc.identifier.uri.none.fl_str_mv https://hdl.handle.net/11059/14931
identifier_str_mv Universidad Tecnológica de Pereira
Repositorio Institucional Universidad Tecnológica de Pereira
url https://repositorio.utp.edu.co/home
https://hdl.handle.net/11059/14931
dc.language.iso.none.fl_str_mv spa
language spa
dc.relation.references.none.fl_str_mv [1] MUNIRATHINAM, Sathyan. Industry 4.0: Industrial internet of things (IIOT). En: Advances in computers, tomo 117. Elsevier, 2020, págs. 129–164. 1
[2] QUIÑONES ORTEGA, Kevin David. Seguimiento visual de un manipulador se rial utilizando redes neuronales profundas. Proyecto fin de carrera. Facultad de Ingenierías. En: Universidad Tecnológica de Pereira, 2023. 1, 15
[3] WANG, Lizhi, et al. HyperReconNet: Joint Coded Aperture Optimization and Image Reconstruction for Compressive Hyperspectral Imaging. En: IEEE Transac tions on Image Processing, tomo 28, No 5, 2019, págs. 2257–2270. 1
[4] ONU. Desafíos globales: población. global-issues/population. 1.1
[5] MATHIEU, Edouard y RODÉS-GUIRAO, Lucas. What are the sources for Our World in Data’s population estimates? En: Our World in Data, 2022. 1
[6] MAJA, Mengistu M y AYANO, Samuel F. The impact of population growth on natural resources and farmers’ capacity to adapt to climate change in low-income countries. En: Earth Systems and Environment, tomo 5, 2021, págs. 271–283. 1.1
[7] MITRI, George, et al. Evaluating exposure to land degradation in association with repetitive armed conflicts in North Lebanon using multi-temporal satellite data. En: Environmental monitoring and assessment, tomo 186, 2014, págs. 7655–7672. 1.1
[8] MINAMBIENTE. Política para la gestión sostenible del suelo. Ministerio de Ambiente y Desarrollo Sostenible, 2016. ISBN 978-958-8901-24-4. 1.1
[9] CONPES4021. Política nacional para el Control de la Deforestación y la Gestión Sostenible de los Bosques. En: Ministerio de Ambiente y Desarrollo Sostenible, 2020. 1.1
[10] DNP. Política General de Ordenamiento Territorial. En: FEDESARROLLO: Cen tro de Investigación Económica y Social, 2019. 1.1
[11] JAVAID, Mohd, et al. Enhancing smart farming through the applications of Agri culture 4.0 technologies. En: International Journal of Intelligent Networks, tomo 3, 2022, págs. 150–164. ISSN 2666-6030. 1.1
[12] NATURALES, Recursos; DE RIESGOS PRODUCTIVOS, Gestión, et al. Hacia una agricultura sostenible, resiliente al clima y baja en emisiones. Región Andina. En: Hacia una agricultura sostenible, resiliente al clima y baja en carbono, 2022. 1.1
[13] KUMAR, Indrajeet, et al. Opportunities of artificial intelligence and machine learning in the food industry. En: Journal of Food Quality, tomo 2021, 2021, págs. 1–10. 1.1
[14] SMIDT, Hermanus Jacobus y JOKONYA, Osden. Factors affecting digital techno logy adoption by small-scale farmers in agriculture value chains (AVCs) in South Africa. En: Information Technology for Development, tomo 28, No 3, 2022, págs. 558–584. 1.1
[15] ARAÚJO, Sara Oleiro, et al. Characterising the agriculture 4.0 landsca pe—emerging trends, challenges and opportunities. En: Agronomy, tomo 11, No 4, 2021, pág. 667. 1.1
[16] HUSSAIN, Abid; PU, Hongbin y SUN, Da Wen. Innovative nondestructive imaging techniques for ripening and maturity of fruits– A review of recent applications. En: Trends in Food Science & Technology, tomo 72, 2018, págs. 144–152. ISSN 0924-2244. 1.1
[17] CHANDRASEKARAN, Indurani, et al. Potential of Near-Infrared (NIR) Spec troscopy and Hyperspectral Imaging for Quality and Safety Assessment of Fruits: an Overview. En: Food Analytical Methods, tomo 12, 2019, págs. 2438–2458. ISSN 1936976X. 1.1, 2
[18] KHAN, Atiya, et al. A systematic review on hyperspectral imaging technology with a machine and deep learning methodology for agricultural applications. En: Ecological Informatics, tomo 69, 2022, pág. 101678. 1.1
[19] RIZZO, Matteo, et al. Fruit ripeness classification: A survey. En: Artificial Intelli gence in Agriculture, 2023. 1.2, 3.1
[20] AHERWADI, Nagnath, et al. Prediction of fruit maturity, quality, and its life using deep learning algorithms. En: Electronics, tomo 11, No 24, 2022, pág. 4100. 1.2
[21] BENELLI, Alessandro, et al. Ripeness evaluation of kiwifruit by hyperspectral imaging. tomo 223. Elsevier, 2022, págs. 42–52. 1.2, 2, 2, 3.1
[22] HUSSAIN, Abid; PU, Hongbin ySUN,Da-Wen. Innovative nondestructive imaging techniques for ripening and maturity of fruits–a review of recent applications. En: Trends in Food Science & Technology, tomo 72, 2018, págs. 144–152. 1.2, 2
[23] SUN, Da Wen. Hyperspectral Imaging for Food Quality Analysis and Control. 1a edición. Elsevier Inc., 2010. ISBN 978-0-12-374753-2. 2, 3.2, 1
[24] VARGA, Leon Amadeus; MAKOWSKI, Jan y ZELL, Andreas. Measuring the Ripeness of Fruit with Hyperspectral Imaging and Deep Learning. En: 2021 Inter national Joint Conference on Neural Networks (IJCNN), 2021, págs. 1–8. 2, 4.1, 4.1, 8
[25] ELMASRY, Gamal, et al. Hyperspectral imaging for nondestructive determina tion of some quality attributes for strawberry. En: Journal of Food Engineering, tomo 81, 2007, págs. 98–107. ISSN 02608774. 2
[26] SAHU, Priyanka, et al. A Systematic Literature Review of Machine Learning Techniques Deployed in Agriculture: A Case Study of Banana Crop. En: IEEE Access, tomo 10, 2022, págs. 87333–87360. 2
[27] MAGABILIN, Ma. Christina V.; FAJARDO, Arnel C. y MEDINA, Ruji P. Opti mal Ripeness Classification of the Philippine Guyabano Fruit using Deep Learning. En: 2022 Second International Conference on Power, Control and Computing Tech nologies (ICPC2T), 2022, págs. 1–5. 3.1
[28] HAN, Yifei, et al. Predicting the ripening time of ‘Hass’ and ‘Shepard’avocado fruit by hyperspectral imaging. En: Precision Agriculture, 2023, págs. 1–17. 3.1
[29] THAKUR, Rucha, et al. An Innovative Approach For Fruit Ripeness Classifica tion. En: 2020 4th International Conference on Intelligent Computing and Control Systems (ICICCS), 2020, págs. 550–554. 3.1
[30] KOU, Xiaohong, et al. Different regulatory mechanisms of plant hormones in the ripening of climacteric and non-climacteric fruits: a review. En: Plant Molecular Biology, 2021, págs. 1–21. 3.1.1, 3.1.2
dc.rights.accessrights.none.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.coar.none.fl_str_mv http://purl.org/coar/access_right/c_abf2
dc.rights.license.none.fl_str_mv Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.uri.none.fl_str_mv https://creativecommons.org/licenses/by-nc-nd/4.0/
eu_rights_str_mv openAccess
rights_invalid_str_mv http://purl.org/coar/access_right/c_abf2
Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
https://creativecommons.org/licenses/by-nc-nd/4.0/
dc.format.extent.none.fl_str_mv 68 Páginas
dc.format.mimetype.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidad Tecnológica de Pereira
dc.publisher.faculty.none.fl_str_mv Facultad de Ingenierías
dc.publisher.place.none.fl_str_mv Pereira
dc.publisher.program.none.fl_str_mv Ingeniería Eléctrica
publisher.none.fl_str_mv Universidad Tecnológica de Pereira
institution Universidad Tecnológica de Pereira
bitstream.url.fl_str_mv https://repositorio.utp.edu.co/bitstreams/c8f9312b-cdae-4883-9751-6ae197583135/download
https://repositorio.utp.edu.co/bitstreams/7390190d-b55a-4cfa-a409-037121269079/download
https://repositorio.utp.edu.co/bitstreams/49d674b2-923c-48e9-af85-9eb41f51e516/download
https://repositorio.utp.edu.co/bitstreams/dd0f68ff-4057-4a5c-861e-9a726fa86883/download
bitstream.checksum.fl_str_mv fca2bd5554b1dea3f84070255774096a
2f9959eaf5b71fae44bbf9ec84150c7a
081d9c0defde04c7b7d7fd5da5a3c789
5ea36557a21fcd9930da935702bcddbb
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio UTP
repository.mail.fl_str_mv bdigital@metabiblioteca.com
_version_ 1808410503388594176
spelling Holguín Londoño, Germán AndrésJiménez Mejía, Yeison Stiven2024-02-05T19:47:08Z2024-02-05T19:47:08Z2023En este documento se lleva a cabo un sistema de visión por computador para la clasificación de estados de madurez de frutas utilizando imágenes hiperespectrales (HSI) y redes neuronales convolucionales (CNN). Para dicha tarea se evalúan tres frutas: aguacate, kiwi y papaya. Las HSI fueron captadas en los rangos visible e infrarrojo cercano del espectro electromagnético. Los estados de madurez se clasifican en tres clases: inmaduro, maduro y sobremaduro. Además, para la clasificación se utilizan dos arquitecturas de CNN populares, AlexNet y ResNet50, y se propone una CNN para dicha tarea. La CNN propuesta muestra resultados prometedores y compite fuertemente con las otras dos CNN. Con esto se logra determinar que el sistema es adecuado para ser aplicado a tareas agroindustriales.This document presents a computer vision system for classifying fruit ripeness states using hyperspectral images (HSI) and Convolutional Neural Networks (CNN). Three fruits— avocado, kiwi, and papaya—are evaluated for this task. The HSI images were captured in the visible and near-infrared ranges of the electromagnetic spectrum. Ripeness states are classified into three classes: immature, ripe, and overripe. Additionally, two popular CNN architectures, AlexNet and ResNet50, are employed for classification, alongside a proposed CNN for this task. The proposed CNN demonstrates promising results and competes strongly with the other two CNN architectures. This determines that the system is suitable for application in agro-industrial tasks.PregradoIngeniero(a) ElectricistaCONTENIDO pág. 1. INTRODUCCIÓN 11 1.1. DEFINICIÓNDELPROBLEMA . . . . . . . . . . . . . . . . . . . . . 11 1.2. JUSTIFICACIÓN. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 1.3. OBJETIVOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 1.3.1. ObjetivoGeneral . . . . . . . . . . . . . . . . . . . . . . . . . . 16 1.3.2. ObjetivosEspecíficos . . . . . . . . . . . . . . . . . . . . . . . . 16 2. ESTADODELARTE 17 3.MARCOTEÓRICO 21 3.1. MADURACIÓNDELAFRUTA . . . . . . . . . . . . . . . . . . . . . 21 3.1.1. Frutosclimatéricos . . . . . . . . . . . . . . . . . . . . . . . . . 21 3.1.2. Frutosnoclimatéricos . . . . . . . . . . . . . . . . . . . . . . . 22 3.2. IMÁGENESHIPERESPECTRALES . . . . . . . . . . . . . . . . . . . 22 3.3. VISIÓNPORCOMPUTADOR . . . . . . . . . . . . . . . . . . . . . . 25 3.3.1. Aprendizajesupervisado . . . . . . . . . . . . . . . . . . . . . . 26 3.3.2. Aprendizajenosupervisado . . . . . . . . . . . . . . . . . . . . 27 3.4. APRENDIZAJEPROFUNDO. . . . . . . . . . . . . . . . . . . . . . . 28 3.4.1. Redesneuronalesconvolucionales(CNN) . . . . . . . . . . . . . 30 3.4.2. ArquitecturasdeCNN . . . . . . . . . . . . . . . . . . . . . . . 31 4. SISTEMADECLASIFICACIÓN 33 4.1. DATASET. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 4.2. FRAMEWORK(PyTorch) . . . . . . . . . . . . . . . . . . . . . . . . . 35 4.3. ARQUITECTURASDECNN. . . . . . . . . . . . . . . . . . . . . . . 38 4.3.1. AlexNet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 4.3.2. ResNet50 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 4.3.3. Modelopropuesto(HSI-ConvNet) . . . . . . . . . . . . . . . . . 41 5. EVALUACIÓNDELSISTEMA 45 5.1. EXACTITUD. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 5.2. PÉRDIDA. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 5.3. MATRIZDECONFUSIÓN . . . . . . . . . . . . . . . . . . . . . . . . 46 6. EXPERIMENTOSYRESULTADOS 49 6.1. EXPERIMENTOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49 6.2. RESULTADOS(HSI-ConvNet) . . . . . . . . . . . . . . . . . . . . . . 49 6.2.1. Aguacate . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49 6.2.2. Kiwi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50 6.2.3. Papaya. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 7. CONCLUSIONESYRECOMENDACIONES 55 7.1. CONCLUSIONES. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 7.2. RECOMENDACIONES . . . . . . . . . . . . . . . . . . . . . . . . . . 56 BIBLIOGRAFÍA 5768 Páginasapplication/pdfUniversidad Tecnológica de PereiraRepositorio Institucional Universidad Tecnológica de Pereirahttps://repositorio.utp.edu.co/homehttps://hdl.handle.net/11059/14931spaUniversidad Tecnológica de PereiraFacultad de IngenieríasPereiraIngeniería Eléctrica[1] MUNIRATHINAM, Sathyan. Industry 4.0: Industrial internet of things (IIOT). En: Advances in computers, tomo 117. Elsevier, 2020, págs. 129–164. 1[2] QUIÑONES ORTEGA, Kevin David. Seguimiento visual de un manipulador se rial utilizando redes neuronales profundas. Proyecto fin de carrera. Facultad de Ingenierías. En: Universidad Tecnológica de Pereira, 2023. 1, 15[3] WANG, Lizhi, et al. HyperReconNet: Joint Coded Aperture Optimization and Image Reconstruction for Compressive Hyperspectral Imaging. En: IEEE Transac tions on Image Processing, tomo 28, No 5, 2019, págs. 2257–2270. 1[4] ONU. Desafíos globales: población. global-issues/population. 1.1[5] MATHIEU, Edouard y RODÉS-GUIRAO, Lucas. What are the sources for Our World in Data’s population estimates? En: Our World in Data, 2022. 1[6] MAJA, Mengistu M y AYANO, Samuel F. The impact of population growth on natural resources and farmers’ capacity to adapt to climate change in low-income countries. En: Earth Systems and Environment, tomo 5, 2021, págs. 271–283. 1.1[7] MITRI, George, et al. Evaluating exposure to land degradation in association with repetitive armed conflicts in North Lebanon using multi-temporal satellite data. En: Environmental monitoring and assessment, tomo 186, 2014, págs. 7655–7672. 1.1[8] MINAMBIENTE. Política para la gestión sostenible del suelo. Ministerio de Ambiente y Desarrollo Sostenible, 2016. ISBN 978-958-8901-24-4. 1.1[9] CONPES4021. Política nacional para el Control de la Deforestación y la Gestión Sostenible de los Bosques. En: Ministerio de Ambiente y Desarrollo Sostenible, 2020. 1.1[10] DNP. Política General de Ordenamiento Territorial. En: FEDESARROLLO: Cen tro de Investigación Económica y Social, 2019. 1.1[11] JAVAID, Mohd, et al. Enhancing smart farming through the applications of Agri culture 4.0 technologies. En: International Journal of Intelligent Networks, tomo 3, 2022, págs. 150–164. ISSN 2666-6030. 1.1[12] NATURALES, Recursos; DE RIESGOS PRODUCTIVOS, Gestión, et al. Hacia una agricultura sostenible, resiliente al clima y baja en emisiones. Región Andina. En: Hacia una agricultura sostenible, resiliente al clima y baja en carbono, 2022. 1.1[13] KUMAR, Indrajeet, et al. Opportunities of artificial intelligence and machine learning in the food industry. En: Journal of Food Quality, tomo 2021, 2021, págs. 1–10. 1.1[14] SMIDT, Hermanus Jacobus y JOKONYA, Osden. Factors affecting digital techno logy adoption by small-scale farmers in agriculture value chains (AVCs) in South Africa. En: Information Technology for Development, tomo 28, No 3, 2022, págs. 558–584. 1.1[15] ARAÚJO, Sara Oleiro, et al. Characterising the agriculture 4.0 landsca pe—emerging trends, challenges and opportunities. En: Agronomy, tomo 11, No 4, 2021, pág. 667. 1.1[16] HUSSAIN, Abid; PU, Hongbin y SUN, Da Wen. Innovative nondestructive imaging techniques for ripening and maturity of fruits– A review of recent applications. En: Trends in Food Science & Technology, tomo 72, 2018, págs. 144–152. ISSN 0924-2244. 1.1[17] CHANDRASEKARAN, Indurani, et al. Potential of Near-Infrared (NIR) Spec troscopy and Hyperspectral Imaging for Quality and Safety Assessment of Fruits: an Overview. En: Food Analytical Methods, tomo 12, 2019, págs. 2438–2458. ISSN 1936976X. 1.1, 2[18] KHAN, Atiya, et al. A systematic review on hyperspectral imaging technology with a machine and deep learning methodology for agricultural applications. En: Ecological Informatics, tomo 69, 2022, pág. 101678. 1.1[19] RIZZO, Matteo, et al. Fruit ripeness classification: A survey. En: Artificial Intelli gence in Agriculture, 2023. 1.2, 3.1[20] AHERWADI, Nagnath, et al. Prediction of fruit maturity, quality, and its life using deep learning algorithms. En: Electronics, tomo 11, No 24, 2022, pág. 4100. 1.2[21] BENELLI, Alessandro, et al. Ripeness evaluation of kiwifruit by hyperspectral imaging. tomo 223. Elsevier, 2022, págs. 42–52. 1.2, 2, 2, 3.1[22] HUSSAIN, Abid; PU, Hongbin ySUN,Da-Wen. Innovative nondestructive imaging techniques for ripening and maturity of fruits–a review of recent applications. En: Trends in Food Science & Technology, tomo 72, 2018, págs. 144–152. 1.2, 2[23] SUN, Da Wen. Hyperspectral Imaging for Food Quality Analysis and Control. 1a edición. Elsevier Inc., 2010. ISBN 978-0-12-374753-2. 2, 3.2, 1[24] VARGA, Leon Amadeus; MAKOWSKI, Jan y ZELL, Andreas. Measuring the Ripeness of Fruit with Hyperspectral Imaging and Deep Learning. En: 2021 Inter national Joint Conference on Neural Networks (IJCNN), 2021, págs. 1–8. 2, 4.1, 4.1, 8[25] ELMASRY, Gamal, et al. Hyperspectral imaging for nondestructive determina tion of some quality attributes for strawberry. En: Journal of Food Engineering, tomo 81, 2007, págs. 98–107. ISSN 02608774. 2[26] SAHU, Priyanka, et al. A Systematic Literature Review of Machine Learning Techniques Deployed in Agriculture: A Case Study of Banana Crop. En: IEEE Access, tomo 10, 2022, págs. 87333–87360. 2[27] MAGABILIN, Ma. Christina V.; FAJARDO, Arnel C. y MEDINA, Ruji P. Opti mal Ripeness Classification of the Philippine Guyabano Fruit using Deep Learning. En: 2022 Second International Conference on Power, Control and Computing Tech nologies (ICPC2T), 2022, págs. 1–5. 3.1[28] HAN, Yifei, et al. Predicting the ripening time of ‘Hass’ and ‘Shepard’avocado fruit by hyperspectral imaging. En: Precision Agriculture, 2023, págs. 1–17. 3.1[29] THAKUR, Rucha, et al. An Innovative Approach For Fruit Ripeness Classifica tion. En: 2020 4th International Conference on Intelligent Computing and Control Systems (ICICCS), 2020, págs. 550–554. 3.1[30] KOU, Xiaohong, et al. Different regulatory mechanisms of plant hormones in the ripening of climacteric and non-climacteric fruits: a review. En: Plant Molecular Biology, 2021, págs. 1–21. 3.1.1, 3.1.2Manifiesto (Manifestamos) en este documento la voluntad de autorizar a la Biblioteca Jorge Roa Martínez de la Universidad Tecnológica de Pereira la publicación en el Repositorio institucional (http://biblioteca.utp.edu.co), la versión electrónica de la OBRA titulada: ________________________________________________________________________________________________ ________________________________________________________________________________________________ ________________________________________________________________________________________________ La Universidad Tecnológica de Pereira, entidad académica sin ánimo de lucro, queda por lo tanto facultada para ejercer plenamente la autorización anteriormente descrita en su actividad ordinaria de investigación, docencia y publicación. La autorización otorgada se ajusta a lo que establece la Ley 23 de 1982. Con todo, en mi (nuestra) condición de autor (es) me (nos) reservo (reservamos) los derechos morales de la OBRA antes citada con arreglo al artículo 30 deinfo:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)https://creativecommons.org/licenses/by-nc-nd/4.0/000 - Ciencias de la computación, información y obras generales::006 - Métodos especiales de computaciónAlgoritmos de aprendizaje profundoProcesamiento de imágenes hiperespectralesReconocimiento de patronesAprendizaje profundoEstados de madurezInteligencia artificialClasificación automática de estados de madurez de frutas utilizando imágenes hiperespectrales y redes neuronales convolucionales profundasTrabajo de grado - Pregradohttp://purl.org/coar/resource_type/c_7a1fTextinfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/acceptedVersionORIGINALTRABAJO DE GRADO.pdfTRABAJO DE GRADO.pdfapplication/pdf1167437https://repositorio.utp.edu.co/bitstreams/c8f9312b-cdae-4883-9751-6ae197583135/downloadfca2bd5554b1dea3f84070255774096aMD51LICENSElicense.txtlicense.txttext/plain; charset=utf-814828https://repositorio.utp.edu.co/bitstreams/7390190d-b55a-4cfa-a409-037121269079/download2f9959eaf5b71fae44bbf9ec84150c7aMD52TEXTTRABAJO DE GRADO.pdf.txtTRABAJO DE GRADO.pdf.txtExtracted texttext/plain78142https://repositorio.utp.edu.co/bitstreams/49d674b2-923c-48e9-af85-9eb41f51e516/download081d9c0defde04c7b7d7fd5da5a3c789MD53THUMBNAILTRABAJO DE GRADO.pdf.jpgTRABAJO DE GRADO.pdf.jpgGenerated Thumbnailimage/jpeg7544https://repositorio.utp.edu.co/bitstreams/dd0f68ff-4057-4a5c-861e-9a726fa86883/download5ea36557a21fcd9930da935702bcddbbMD5411059/14931oai:repositorio.utp.edu.co:11059/149312024-02-06 03:00:53.807https://creativecommons.org/licenses/by-nc-nd/4.0/Manifiesto (Manifestamos) en este documento la voluntad de autorizar a la Biblioteca Jorge Roa Martínez de la Universidad Tecnológica de Pereira la publicación en el Repositorio institucional (http://biblioteca.utp.edu.co), la versión electrónica de la OBRA titulada: ________________________________________________________________________________________________ ________________________________________________________________________________________________ ________________________________________________________________________________________________ La Universidad Tecnológica de Pereira, entidad académica sin ánimo de lucro, queda por lo tanto facultada para ejercer plenamente la autorización anteriormente descrita en su actividad ordinaria de investigación, docencia y publicación. La autorización otorgada se ajusta a lo que establece la Ley 23 de 1982. Con todo, en mi (nuestra) condición de autor (es) me (nos) reservo (reservamos) los derechos morales de la OBRA antes citada con arreglo al artículo 30 dehttps://repositorio.utp.edu.coRepositorio UTPbdigital@metabiblioteca.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

Publicaciones similares