Algoritmo para la estimación de la masa del ganado bovino mediante imágenes

• Autores: Gordillo Vásquez, Giomar, Vila Huaman, Percy
• Formato: tesis de grado
• Fecha de Publicación: 2021
• Institución: Universidad Cesar Vallejo
• Repositorio: UCV-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.ucv.edu.pe:20.500.12692/77342
• Enlace del recurso: https://hdl.handle.net/20.500.12692/77342
• Nivel de acceso: acceso abierto
• Materia: Aplicación web; Algoritmos de procesamiento de imágenes; Estimación de la masa y visión computacional; https://purl.org/pe-repo/ocde/ford#2.02.04

El objetivo de la presente investigación es determinar el efecto de un algoritmo basado en Mask-RCNN en la estimación de la masa del ganado bovino mediante imágenes. Para lo cual, se midieron los resultados del proceso de estimación de la masa del ganado mediante báscula y fórmula Schaeffer, luego haciendo uso de la aplicación, se realizaron con la finalidad de determinar la mejora a través de los siguientes indicadores: incremento de la precisión, reducción del tiempo de entrenamiento, reducción del tiempo de identificación, reducción del uso de CPU y la reducción del uso de memoria RAM. La metodología de investigación utilizada fue de enfoque cuantitativo; de tipo aplicada, con un diseño pre-experimental. La población seleccionada para realizar esta investigación la conformaron 600 pares de imágenes de bovinos y la muestra estuvo constituida por 40 pares de imágenes. La técnica de recolección de datos fue la observación y para contrastar la hipótesis de la única variable y comparar el pre-test con el post-test se utilizó la prueba de Wilcoxon. Así se obtuvo como resultado el p valor = 0,00 que es menor al nivel de significancia 0.05 que decide que se desestime la hipótesis nula y se admita la alterna. Se concluyó que con la implementación del algoritmo de procesamiento de imágenes se mejora significativamente la estimación de la masa del ganado bovino, que quedó demostrado por los resultados que se mejoró la precisión y se logró la reducción de los otros indicadores: tiempo de entrenamiento, el tiempo de identificación, el uso de CPU y el uso de memoria RAM. Esto respecto de sus situaciones iniciales.