|
Please use this identifier to cite or link to this item:
https://repositorio.utn.edu.ec/handle/123456789/16275
Title: | Detección de defectos en papas tipo hojuelas (chips) por visión artificial |
metadata.dc.contributor.advisor: | Rosero Chandi, Carlos Xavier |
Authors: | Díaz Quinchiguango, Brayan Ismael |
metadata.dc.type: | bachelorThesis |
Keywords: | APRENDIZAJE AUTOMÁTICO;VISIÓN ARTIFICIAL;REDES NEURONALES |
Issue Date: | 31-Jul-2024 |
metadata.dc.date.created: | 23-Jul-2024 |
Abstract: | Como alimento rico en carbohidratos y asequibles, las chips de papa son un aperitivo muy consumido en todo el mundo. Al tratarse de productos agrícolas procesados, son susceptible a presentar defectos que podrían afectar la salud del consumidor. Para cumplir los estándares de calidad, las pequeñas empresas siguen recurriendo a controles de inspección manuales, inconsistentes y laboriosas. El presente estudio propone un marco de visión por ordenador y técnicas de aprendizaje de máquina, a fin de resolver el problema de detección. Se presenta dos métodos: clasificador basado en una Red Neuronal Convolucional (CNN) y un método por conteo de píxeles. El procedimiento que se ha llevado a cabo incluye la adquisición y estructuración de los datos de entrenamiento disponibles en Kaggle, donde el defecto fue simulado con pigmentos aleatorios creados con un marcador negro en la superficie del objeto de estudio. La tarea de extracción y clasificación del primer método se realiza mediante una arquitectura CNN, donde el preprocesamiento incluye el redimensionamiento, normalización y reducción de ruido. La segmentación de la región de interés (ROI) del área total se efectúa con un método de segmentación semántica (U-Net 1) desarrollado con imágenes y máscaras binarias obtenidas a partir del aumento de datos, eliminación del fondo y umbralización. El segundo método se lleva a cabo utilizando un valor de umbral y un porcentaje calculado a partir del recuento de píxeles de las máscaras binarias generadas por el modelo U-Net 1 y un segundo modelo U-Net 2 creado con datos procesados, que incluye el etiquetado manual de la ROI defectuosa y una transformación. La evaluación con dos conjuntos de imágenes de prueba muestra que el modelo CNN posee una capacidad de generalización aceptable, reduciendo efectivamente los falsos positivos y negativos. Por otra parte, el segundo método muestra una tendencia de mejora en la capacidad de evitar falsos negativos al disminuir el valor de umbral. En conclusión, los algoritmos propuestos ofrecen una solución robusta y eficiente para la detección de defectos en chips de papa. |
Description: | Desarrollar un método para la detección de defectos en papas tipo hojuelas (chips) empleando visión artificial. |
URI: | https://repositorio.utn.edu.ec/handle/123456789/16275 |
metadata.dc.identifier.other: | 04/MEC/ 555 |
metadata.dc.coverage: | Ibarra, Ecuador |
metadata.dc.description.degree: | Ingeniería |
metadata.dc.identifier.mfn: | 0000043313 |
metadata.dc.contributor.deparment: | Mecatrónica |
Appears in Collections: | Ing. en Mecatrónica |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
04 MEC 555 LOGO.jpg | LOGO | 243.35 kB | JPEG | View/Open |
04 MEC 555 TRABAJO DE GRADO.pdf | TRABAJO DE GRADO | 76.51 MB | Adobe PDF | View/Open |
This item is protected by original copyright |
This item is licensed under a Creative Commons License