| dc.contributor | Ciaccia Sortino, Marco Antonio | |
| dc.contributor | Mecatrónica Mención Procesos Industriales | |
| dc.creator | Orbes Padilla, Danny Orlando | |
| dc.date | 2022-06-06T15:12:41Z | |
| dc.date | 2022-06-06T15:12:41Z | |
| dc.date | 2022-05-24 | |
| dc.date | 2022-06-06 | |
| dc.date.accessioned | 2023-08-10T20:17:57Z | |
| dc.date.available | 2023-08-10T20:17:57Z | |
| dc.identifier | PG/ 1121 | |
| dc.identifier | http://repositorio.utn.edu.ec/handle/123456789/12524 | |
| dc.identifier | 0000039015 | |
| dc.identifier.uri | https://repositorioslatinoamericanos.uchile.cl/handle/2250/8172713 | |
| dc.description | Implementar un sistema de detección y categorización con visión artificial en el proceso
de cosecha del cultivo de fresas en un cultivo local de la región norte de Ecuador. | |
| dc.description | En el presente trabajo se implementa un sistema de detección y categorización con visión artificial en el proceso de cosecha del cultivo de fresas en la región norte de Ecuador, específicamente en una comunidad de la parroquia Andrade Marín. Para ello se realizó una recopilación de fotos de las fresas en el cultivo, generando un dataset en el cual se aplicó redes neuronales con un modelo de entrenamiento “MobilenetV2”, para posteriormente cumplir con un procesamiento de imágenes en el cual se determina el centroide de la fruta por medio de programación gráfica. El funcionamiento del sistema de visión artificial inicia con la detención gráfica de la fresa, obteniendo su centroide y enviando las diferentes coordenadas de cada una de las fresas con un porcentaje de madurez mayor al 60%. Se define la primera coordenada como la más cercana al borde izquierdo de la imagen, y se envía este dato por comunicación serial a un dispositivo embebido que requiera esta información, y posteriormente se espera la respuesta del dispositivo, el cual informa que la fresa ya ha sido cosechada; este procedimiento se dará repetitivamente hasta que no existan más fresas en cuadro de la imagen. Como resultado se obtuvo un algoritmo con una perdida mínima del 1,7705599 y una velocidad de detección de 0,123 segundos, con una exactitud del 82,91%, precisión de un 80%, sensibilidad del 87% y especificidad del 79%, lo cual lo cataloga como un algoritmo de visión artificial confiable, que contribuirá a la detección de fresas en tiempo real. | |
| dc.description | Maestría | |
| dc.format | image/png | |
| dc.format | application/pdf | |
| dc.language | spa | |
| dc.rights | openAccess | |
| dc.rights | Atribución-NoComercial-CompartirIgual 3.0 Ecuador | |
| dc.rights | http://creativecommons.org/licenses/by-nc-sa/3.0/ec/ | |
| dc.subject | CULTIVO | |
| dc.subject | VISIÓN ARTIFICIAL | |
| dc.subject | ALGORITMOS | |
| dc.subject | FRESA | |
| dc.title | Implementación de un sistema de detección por visión artificial en la etapa de recolección del cultivo de fresas | |
| dc.type | masterThesis | |
| dc.coverage | Ibarra, Ecuador | |
