Pardo Beainy, Camilo ErnestoGutiérrez Cáceres, Edgar AndrésCamargo Robles, Juan José2024-10-012024-10-012024Camargo, J. (2024). Clasificador de Fresa Usando Técnicas de Inteligencia Artificial. [Trabajo de Grado, Universidad Santo Tomás]. Repositorio Institucionalhttp://hdl.handle.net/11634/58025En el desarrollo de esta investigación, se implementan varios algoritmos de inteligencia artificial para la clasificación y detección del nivel de madurez de fresa. Las imágenes adquiridas por el sistema de sensado de una banda transportadora, fueron sometidas, por una parte; a algoritmos de Machine Learning y Deep Learning, orientados a la clasificación del fruto en dos categorías, definidas por sus características de madurez y deficiencias nutricionales (afectaciones visuales), y, por otra parte; a algoritmos de Deep Learning, orientados a la extracción de características para determinar su nivel de madurez. Se creó un dataset público desde cero con el objetivo de que esté disponible para cualquiera que lo necesite. Para alcanzar una clasificación satisfactoria, se entrenaron modelos utilizando la arquitectura YOLO, específicamente la versión ocho, lo que permitió realizar la clasificación del fruto con éxito. Posteriormente, se llevaron a cabo pruebas sobre las imágenes previamente clasificadas, empleando técnicas como segmentación de fondo por umbrales y segmentación cromática. Estas técnicas de ingeniería de características facilitaron la detección del nivel de madurez del fruto.In the development of this research, several artificial intelligence algorithms are implemented for the classification and detection of strawberry maturity level. The images acquired by the sensing system of a conveyor belt were subjected, on the one hand, to Machine Learning and Deep Learning algorithms, oriented to the classification of the fruit into two categories, defined by their maturity characteristics and nutritional deficiencies (visual affectations), and, on the other hand, to Deep Learning algorithms, oriented to the extraction of features to determine their maturity level. A public dataset was created from scratch with the aim of making it available to anyone who needs it. To achieve a satisfactory classification, models were trained using the YOLO architecture, specifically the YOLO architecture, specifically version eight, which allowed us to successfully classify the fruit. fruit classification successfully. Subsequently, tests were carried out on the previously classified images, using techniques such as segmentation were then tested on the previously classified images, using techniques such as thresholded background segmentation and chromatic segmentation. chromatic segmentation. These feature engineering techniques facilitated the detection of fruit maturity level. maturity level of the fruit.application/pdfspaAtribución-NoComercial-SinDerivadas 2.5 Colombiahttp://creativecommons.org/licenses/by-nc-nd/2.5/co/Artificial IntelligenceClassificationYOLOMaturity detectionTrabajo de gradoAbierto (Texto Completo)info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Inteligencia ArtificialClasificaciónYOLODetección de madurezreponame:Repositorio Institucional Universidad Santo Tomásinstname:Universidad Santo Tomásrepourl:https://repository.usta.edu.co