Please use this identifier to cite or link to this item: https://repositorio.utn.edu.ec/handle/123456789/12615
Citar este ítem

Full metadata record
DC FieldValueLanguage
dc.contributor.advisorRosero Chandi, Carlos Xavier-
dc.contributor.authorGuagala Andrango, Jhenifer Dayana-
dc.date.accessioned2022-07-11T16:22:57Z-
dc.date.available2022-07-11T16:22:57Z-
dc.date.created2022-07-06-
dc.date.issued2022-07-11-
dc.identifier.other04/MEC/ 431es_EC
dc.identifier.urihttp://repositorio.utn.edu.ec/handle/123456789/12615-
dc.descriptionDesarrollar un método para la clasificación de plántulas empleando visión artificial dentro del proceso del cultivo hidropónico.es_EC
dc.description.abstractEl presente documento se muestra el proceso para desarrollar un algoritmo capaz de identificar hasta 4 tipos de plántulas, las cuales son: pamplina, maíz, bolsa de pastor y remolacha azucarera. Para cumplir dicho objetivo se inicia con la búsqueda de una base de datos en la plataforma Kaggle, ésta debe contener la información necesaria de las 4 plántulas ya mencionados. En la misma plataforma también existe un trabajo que utiliza la base de datos seleccionada para entrenar una Red Neuronal Convolucional (CNN) que identifica 12 tipos de plántulas. Desde este punto se trabaja en la modificación de la CNN para que trabaje solo con las 4 plántulas de interés, alcanzando una precisión del 98,95 %. A continuación, se realizan pruebas que evalúan la capacidad de reconocimiento de la CNN utilizando fotografías nuevas y otras que, ya usadas durante el entrenamiento, ambos grupos pertenecientes a la misma base de datos. Los resultados son altamente satisfactorios por lo que se guarda el modelo para ser utilizado como base para el desarrollo de la etapa final del algoritmo, el detector de objetos, en el que se hace uso de pirámides de imagen, ventanas deslizantes y supresión no máxima. Al aplicar estas técnicas se crean dos ventanas, en una se muestra la fotografía original y en la otra se muestra un recuadro verde rodeando al objeto a detectar junto a una etiqueta de la clase de plántula a la que representa. Finalmente, el algoritmo se completa con la conexión a una cámara que capture la imagen a analizar, para esto se emplea la aplicación DroidCam que permite la comunicación entre la computadora y un celular, siendo este último el encargado de tomar fotografías. Su porcentaje de precisión es del 86,67 %, un valor que puede aumentar al mejorar la calidad de las imágenes y que a su vez respeten el entorno de funcionamiento del algoritmo.es_EC
dc.language.isospaes_EC
dc.rightsopenAccesses_EC
dc.rightsAtribución-NoComercial-CompartirIgual 3.0 Ecuador*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/3.0/ec/*
dc.subjectVISIÓN ARTIFICIALes_EC
dc.subjectPLÁNTULASes_EC
dc.subjectFOTOGRAFÍAes_EC
dc.titleClasificación de plántulas por visión artificiales_EC
dc.typebachelorThesises_EC
dc.description.degreeIngenieríaes_EC
dc.contributor.deparmentMecatrónicaes_EC
dc.coverageIbarra, Ecuadores_EC
dc.identifier.mfn0000039321es_EC
Appears in Collections:Ing. en Mecatrónica

Files in This Item:
File Description SizeFormat 
04 MEC 431 LOGO.jpgLogo248.87 kBJPEGThumbnail
View/Open
04 MEC 431 TRABAJO DE GRADO.pdfTrabajo de grado3.09 MBAdobe PDFThumbnail
View/Open


This item is protected by original copyright



This item is licensed under a Creative Commons License Creative Commons