1. DSpace en ESPOL
2. Unidades Académicas
3. Facultad de Ingeniería en Electricidad y Computación
4. Tesis de Computación

Title:	Clasificación de deformidades en frutas usando modelos de aprendizaje profundo con imágenes reales y sintéticas
Authors:	Vintimilla, Boris,, Director Beltrán Borbor, Tommy David Villao Rodríguez, Raúl Josué
Keywords:	Redes Neuronales Convolucionales Arquitectura MobileNetV2 Transferencia de Aprendizaje
Issue Date:	2023
Publisher:	ESPOL
Citation:	Beltrán Borbor, T. D. y Villao Rodríguez, R. J. (2023). Clasificación de deformidades en frutas usando modelos de aprendizaje profundo con imágenes reales y sintéticas. [Proyecto integrador]. ESPOL. FIEC. .
Description:	En la actualidad, una fruta pasa por múltiples procesos hasta llegar a nuestro hogar. Uno de ellos es la evaluación de su calidad mediante la inspección manual que evalúa parámetros de madurez, defectos y forma. Este proceso de evaluación puede dar cabida a inconsistencias y alargar los tiempos en el proceso de calificación de una fruta. Por ese motivo, el presente proyecto propone la evaluación de arquitecturas de CNN que permitan reconocer y clasificar deformidades en las frutas manzana, mango y fresa, con el fin de automatizar esta importante fase de la industria. Para ello, se recolectó imágenes disponibles en repositorios públicos de las frutas mencionadas y se utilizó generadores de imágenes sintéticas para obtener un conjunto de datos significativo en cuanto a la forma de las frutas. Luego, se procedió con la implementación y entrenamiento de varias arquitecturas de CNN; entre ellas, VGG16, MobileNetV2 y CIDIS. Se emplearon técnicas de Transferencia de Aprendizaje y se empleó el concepto de redes siamesas para habilitar el uso de imágenes de siluetas de las frutas. Como resultados de los entrenamientos, se obtuvo que la mejor arquitectura para obtener clasificación por forma de las frutas fue la MobileNetV2, alcanzando exactitudes del 90%, 94% y 92% en manzanas, mangos y fresas respectivamente. Se concluye que la arquitectura MobileNetV2 es la más precisa y eficiente para la clasificación de deformidades en frutas y se recomienda su inclusión en aplicaciones de evaluación de calidad de las frutas.
metadata.dc.description.abstractenglish:	Currently, a fruit goes through multiple processes until it reaches our home. One of them is the evaluation of its quality through manual inspection that evaluates parameters of maturity, defects and shape. This evaluation process can give rise to inconsistencies and lengthen the times in the process of qualifying a fruit. For this reason, this project proposes the evaluation of CNN architectures that allow recognizing and classifying deformities in apple, mango and strawberry fruits, in order to automate this important phase of the industry. For this, images available in public repositories of the mentioned fruits were collected and synthetic image generators were used to obtain a significant data set regarding the shape of the fruits. Then, we proceeded with the implementation and training of various CNN architectures; among them, VGG16, MobileNetV2 and CIDIS. Techniques like Transfer Learning were used and the concept of Siamese networks was used to enable the use of images of silhouettes of the fruits. As results of the training, it was obtained that the best architecture to obtain classification by shape of the fruits was the MobileNetV2, reaching accuracies of 90%, 94% and 92% in apples, mangoes and strawberries respectively. It is concluded that the MobileNetV2 architecture is the most accurate and efficient for the classification of deformities in fruits and its inclusion in fruit quality evaluation applications is recommended.
URI:	http://www.dspace.espol.edu.ec/handle/123456789/58179
metadata.dc.identifier.codigoproyectointegrador:	TECH-304
Appears in Collections:	Tesis de Computación

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.