Visión Computacional Mediante Aprendizaje Profundo en el Robot del Proyecto N° PE501086701-2024-PROCIENCIA para la Detección de Arándanos en la Agroindustria Danper

• Autor: Cubas Muñoz, Percy Brayam
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Privada Antenor Orrego
• Repositorio: UPAO-Tesis
• Lenguaje: español
• OAI Identifier: oai:repositorio.upao.edu.pe:20.500.12759/91392
• Enlace del recurso: https://hdl.handle.net/20.500.12759/91392
• Nivel de acceso: acceso abierto
• Materia: Vision Computacional; Aprendizaje Profundo; https://purl.org/pe-repo/ocde/ford#2.11.00

Este estudio se enfocó en la implementación de un sistema de visión computacional mediante aprendizaje profundo para la detección de arándanos en un robot móvil del proyecto N° PE501086701-2024-PROCIENCIA, orientado a la agroindustria Danper. Para ello, se llevó a cabo una evaluación comparativa entre los algoritmos YOLOv8 y MaskRCNN, utilizando un conjunto de 800 imágenes de arándanos recolectadas en el fundo agroindustrial. Los resultados de las pruebas de campo revelaron que YOLOv8 demostró una precisión significativamente mayor (mAP@0.5 entre 0.8 y 0.85) y un tiempo de inferencia considerablemente menor (media entre 10.27ms y 36.05ms) en comparación con MaskRCNN (mAP@0.5 por debajo de 0.4 y tiempos de entre 73.81ms y 300.6ms). La superioridad de YOLOv8 se atribuye a su arquitectura más eficiente de una sola etapa. Las pruebas estadísticas con la prueba U de Mann-Whitney validaron que estas diferencias en precisión y tiempo de inferencia son estadísticamente significativas, confirmando la eficacia y la idoneidad de YOLOv8 para la detección de arándanos en tiempo real en entornos agrícolas reales.