Diseño e Implementación de Técnicas de Visión Artificial para la Detección y Localización de Frutos.

dc.contributor.advisorPardo Beainy, Camilo Ernesto
dc.contributor.advisorGutiérrez Cáceres, Edgar Andrés
dc.contributor.authorMedina Saenz, Iván Andrés
dc.contributor.authorMur Parra, Camilo Andrés
dc.contributor.corporatenameUniversidad Santo Tomasspa
dc.date.accessioned2022-10-05T22:35:17Z
dc.date.available2022-10-05T22:35:17Z
dc.date.issued2022-10-04
dc.descriptionHoy en día calcular o tener presente densidades de frutos en plantaciones con áreas extensas, es una problemática ya que a medida que estas áreas se extienden, se hace más difícil prever cantidades del fruto a estudiar y a su vez limita al agricultor a estar dependiente de sistemas rudimentarios. Por ello se plantea un sistema capaz de identificar frutos y de ubicar cultivos dentro de un cultivo de grandes extensiones, todo ello mediante algoritmos de visión artificial, inteligencia artificial y geo-localización. Este sistema se diseña pensando en mejorar la toma de decisiones por parte de los agricultores y de los especialistas del cultivo de fresa, frente a tiempos de recolección y proyección de cosecha, de esta manera se incrementa la efectividad de producción y calidad del fruto, dando así un impacto sobre el mercado, pudiendo estimar cantidades y tiempos de cosecha, generando así decrementos en el tiempo que tardaría el proceso de conteo de forma manual, con la finalidad de adquirir efectos favorables, se da paso al diseño e implementación de técnicas de visión artificial para la detección y localización de frutos, contemplando que este sistema es totalmente portátil y funcional dentro del campo de trabajo, ya que realiza el pre-procesamiento, procesamiento y pos-procesamiento estando en el cultivo.spa
dc.description.abstractToday calculate or keep in mind fruit densities in plantations with large areas, is a problem since as these areas spread out, it becomes more difficult to foresee quantities of the fruit to study and in turn limits the farmer to be dependent on systems rudimentary For this reason, a system capable of identifying fruits and locating crops is proposed. within a large-scale crop, all using artificial vision algorithms, artificial intelligence and geolocation. This system is designed with the aim of improving decision making by farmers and of the specialists of the cultivation of strawberries, in front of collection times and harvest projection, of In this way, the efficiency of production and quality of the fruit is increased, thus giving an impact on the market, being able to estimate quantities and harvest times, thus showing decreases in the time that the counting process would take manually, in order to acquire effects favorable, gives way to the design and implementation of artificial vision techniques for the detection and location of fruits, contemplating that this system is totally portable and functional within of the field of work, since it performs the pre-processing, processing and post-processing been in cultivation.spa
dc.description.degreelevelPregradospa
dc.description.degreenameIngeniero Electronicospa
dc.format.mimetypeapplication/pdf
dc.identifier.citationMedina Saenz Iván Andrés, Mur Parra Camilo Andrés, Diseño e Implementación de Técnicas de Visión Artificial para la Detección y Localización de Frutos.spa
dc.identifier.instnameinstname:Universidad Santo Tomásspa
dc.identifier.reponamereponame:Repositorio Institucional Universidad Santo Tomásspa
dc.identifier.repourlrepourl:https://repository.usta.edu.cospa
dc.identifier.urihttp://hdl.handle.net/11634/47517
dc.language.isospa
dc.publisherUniversidad Santo Tomásspa
dc.publisher.branchCRAI-USTA Tunjaspa
dc.publisher.facultyFacultad de Ingeniería Electrónicaspa
dc.publisher.programPregrado Ingeniería Electrónicaspa
dc.relation.referencesM. Bramuel and M. Jiménez, “Estudio de algoritmos en imágenes para conteo de población del cultivo de banano,” 04 2018.spa
dc.relation.referencesX. Liu, S. W. Chen, S. Aditya, N. Sivakumar, S. Dcunha, C. Qu, C. J. Taylor, J. Das, and V. Kumar, “Robust fruit counting: Combining deep learning, tracking, and structure from motion,” in 2018 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), 2018, pp. 1045–1052.spa
dc.relation.referencesE. J. Sadgrove, G. Falzon, D. Miron, and D. Lamb, “Fast object detection in pastoral lands- capes using a colour feature extreme learning machine,” Computers and electronics in agri- culture, vol. 139, pp. 204–212, 2017.spa
dc.relation.referencesL. López Mas, “Diseño de un sistema de visión por ordenador para la caracterización del color del tomate (solanum lycopersicum l.),” Ph.D. dissertation, UPC, Escola Superior d’Agricultura de Barcelona, Sep 2017. [Online]. Available: http://hdl.handle.net/2117/108252spa
dc.relation.referencesG. García Bandala et al., “Fenología, calidad y rendimiento de fruto de fresa variedad’el dorado’con fertilización química y orgánica,” B.S. thesis, 2019.spa
dc.relation.referencesJ. J. d. Vicente Sugue, “Análisis de algoritmos de detección de características de opencv en raspberry pi,” 2020.spa
dc.relation.referencesA. G. Marcos, F. J. M. de Pisón Ascacíbar, F. A. Elías, M. C. Limas, J. B. O. Meré, E. P. V. González et al., “Técnicas y algoritmos básicos de visión artificial,” Técnicas y Algoritmos Básicos de Visión Artificial, 2006.spa
dc.relation.referencesR. Szeliski, Computer vision: algorithms and applications. Springer Science & Business Media, 2010.spa
dc.relation.referencesJ. A. C. Osorio, W. A. Urueña, and J. A. M. Vargas, “Técnicas alternativas para la conversión de imágenes a color a escala de grises en el tratamiento digital de imágenes,” Scientia et technica, vol. 1, no. 47, pp. 207–212, 2011.spa
dc.relation.referencesD. E. Figueroa, E. R. Guerrero et al., “Sistema de visión artificial para la identificación del estado de madurez de frutas (granadilla),” Redes de Ingeniería, vol. 7, no. 1, pp. 78–86, 2016.spa
dc.relation.referencesE. Alegre, G. Pajares, and A. de la Escalera, Conceptos y Métodos en Visión por Computador. Grupo de Visión del Comité Español de Automática, 2016.spa
dc.relation.referencesJ. D. A. Hernández, A. F. J. López, and H. O. P. Castro, “Desarrollo de aplicaciones en python para el aprendizaje de física computacional,” Ingeniería Investigación y Desarrollo: I2+ D, vol. 16, no. 1, pp. 72–82, 2016.spa
dc.relation.referencesE. Stein, S. Liu, and J. Sun, “Real-time object detection on an edge device.”spa
dc.relation.referencesA. Borji, M.-M. Cheng, H. Jiang, and J. Li, “Salient object detection: A benchmark,” IEEE transactions on image processing, vol. 24, no. 12, pp. 5706–5722, 2015. 87spa
dc.relation.referencesN. Pellejero, G. L. Grinblat, and L. Uzal, “Análisis semántico en rostros utilizando redes neuronales profundas,” in XVIII Simposio Argentino de Inteligencia Artificial (ASAI)-JAIIO 46 (Córdoba, 2017)., 2017.spa
dc.relation.referencesA. Younis, L. Shixin, S. Jn, and Z. Hai, “Real-time object detection using pre-trained deep learning models mobilenet-ssd,” in Proceedings of 2020 the 6th international conference on computing and data engineering, 2020, pp. 44–48.spa
dc.relation.referencesJ. V. Rebaza, “Detección de bordes mediante el algoritmo de canny,” Escuela Académico Profesional di Informática. Universidad Nacional de Trujillo, vol. 4, 2007spa
dc.relation.referencesJ. Davis and M. Goadrich, “The relationship between precision-recall and roc curves,” in Proceedings of the 23rd international conference on Machine learning, 2006, pp. 233–240.spa
dc.relation.referencestesiunam. [Online]. Available: https://tesiunam.dgb.unam.mx/F/ 7Y5JDKUTQS7KRQ3L5GRQ2TLUTIHTJ7VFUGY8B9BYS92PVVKDR3-42638?func= full-set-set&set_number=535566&set_entry=000002&format=002spa
dc.relation.referencesF. Seco, K. Koutsou, F. Ramos, and A. R. Jiménez, “Localización personal en entornos interiores con tecnología rfid,” Revista Iberoamericana de Automática e Informática industrial, vol. 10, no. 3, pp. 313–324, 2013.spa
dc.relation.referencesB. Hofmann-Wellenhof, H. Lichtenegger, and J. Collins, Global positioning system: theory and practice. Springer Science & Business Media, 2012spa
dc.relation.referencesA. Bel, G. Capobianco, U. Chialva, R. Cobiaga, J. A. Del Punta, W. A. Reartes, V. Aja, N. Alonso, S. A. Balda, P. E. Bertacco et al., “La matemática detrás del gps: propuesta didáctica para matemática: Nivel secundario,” 2018.spa
dc.relation.referencesGISGeography. [Online]. Available: https://acolita.com/como-funcionan-los-dispositivos gps-trilateracion-vs-triangulacion/spa
dc.relation.referencesJ. James. [Online]. Available: https://world.ubergizmo.com/es/como/aprende-a-leer-las coordenadas-del-gps/spa
dc.relation.referencesC. T. MARIO ALEJANDRO, “Estrategias biológicas para el manejo de enfermedades en el cultivo de fresa (Fragaria spp.),” Revista Colombiana de Ciencias Hortí-colas, vol. 7, pp. 263 – 276, 12 2013. [Online]. Available: http://www.scielo.org.co/scielo.php?script=sci_ arttext&pid=S2011-21732013000200011&nrm=isospa
dc.relation.referencesT. S. Gunawan, A. Ashraf, B. S. Riza, E. V. Haryanto, R. Rosnelly, M. Kartiwi, and Z. Janin, “Development of video-based emotion recognition using deep learning with google colab,” TELKOMNIKA (Telecommunication Computing Electronics and Control), vol. 18, no. 5, pp. 2463–2471, 2020.spa
dc.relation.referencesA. VISUS. [Online]. Available: https://www.esic.edu/rethink/tecnologia/para-que-sirve pythonspa
dc.relation.referencesL. deCastillo. [Online]. Available: https://www.deltatracking.com/2020/09/01/pasos-a tomar-en-cuenta-para-interpretar-tramas-de-gpsspa
dc.relation.referencesG. Baddeley. [Online]. Available: http://aprs.gids.nl/nmea/#gga.spa
dc.relation.referencesD. Khort, A. Kutyrev, I. Smirnov, V. Osypenko, and N. Kiktev, “Computer vision system for recognizing the coordinates location and ripeness of strawberries,” in International Conference on Data Stream Mining and Processing. Springer, 2020, pp. 334–343spa
dc.relation.referencesE. J. Sadgrove, G. Falzon, D. Miron, and D. W. Lamb, “Real-time object detection in agricul- tural/remote environments using the multiple-expert colour feature extreme learning machine (mec-elm),” Computers in Industry, vol. 98, pp. 183–191, 2018spa
dc.relation.referencesD. O. Orbes Padilla, “Implementación de un sistema de detección por visión artificial en la etapa de recolección del cultivo de fresas,” Master’s thesis, 2022spa
dc.relation.referencesE. Huerta, A. Mangiaterra, and G. Noguera, “Gps,” Posicionamiento Satelital, 2005spa
dc.relation.references. L. Alba, J. Cid, and I. Mora, “Métodos de análisis de imágenes,” Extracción de caracterís- ticas, Umbralización. Universidad de Vigo. España, 2006spa
dc.relation.referencesD. Tzutalin, “Labelimg,” gitCode. [Online]. Available: https://github.com/tzutalin/labelImgspa
dc.relation.referencesD. A. SILVA CARNERO, “Análisis de arquitecturas cnn del estado del arte en el reconoci- miento de actividades por video.” Ph.D. dissertation, Universidad Autónoma de Chihuahua, 2021.spa
dc.relation.referencesD. Nvidia. [Online]. Available: https://developer.nvidia.com/embedded/learn/get-started jetson-nano-devkit#setupspa
dc.rightsAtribución-NoComercial-SinDerivadas 2.5 Colombia
dc.rightsAtribución-NoComercial-SinDerivadas 2.5 Colombia
dc.rightsAtribución-NoComercial-SinDerivadas 2.5 Colombia
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2
dc.rights.localAbierto (Texto Completo)spa
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/2.5/co/
dc.subject.keywordComputer visionspa
dc.subject.keywordPrecision farmingspa
dc.subject.keywordReal-time object detectorspa
dc.subject.keywordGPSspa
dc.subject.keywordJetson nanospa
dc.subject.keywordArtificial intelligencespa
dc.subject.keywordGeo-locationspa
dc.subject.proposalVisión por computadoraspa
dc.subject.proposalAgricultura de precisiónspa
dc.subject.proposalDetector de objetos en tiempo realspa
dc.subject.proposalGPSspa
dc.subject.proposalJetson nanospa
dc.subject.proposalInteligencia artificiaspa
dc.subject.proposalGeo-localizaciónspa
dc.titleDiseño e Implementación de Técnicas de Visión Artificial para la Detección y Localización de Frutos.spa
dc.typebachelor thesis
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.type.coarversionhttp://purl.org/coar/version/c_ab4af688f83e57aa
dc.type.driveinfo:eu-repo/semantics/bachelorThesis
dc.type.localTesis de pregradospa
dc.type.versioninfo:eu-repo/semantics/acceptedVersion

Archivos

Bloque original

Mostrando 1 - 3 de 3
Cargando...
Miniatura
Nombre:
2022IvánMedina,CamiloMur.pdf
Tamaño:
21.51 MB
Formato:
Adobe Portable Document Format
Descripción:
Documento Principal
Cargando...
Miniatura
Nombre:
Carta derechos de Autor.pdf
Tamaño:
378.4 KB
Formato:
Adobe Portable Document Format
Descripción:
Carta Derechos De Autor
Cargando...
Miniatura
Nombre:
Carta autorización facultad.pdf
Tamaño:
512.73 KB
Formato:
Adobe Portable Document Format
Descripción:
Carta autorización Facultad

Bloque de licencias

Mostrando 1 - 1 de 1
Cargando...
Miniatura
Nombre:
license.txt
Tamaño:
807 B
Formato:
Item-specific license agreed upon to submission
Descripción: