Clasificación automática de citrus aurantifolia usando visión artificial

Descripción del Articulo

Diversos mercados del mundo importan el Limón Sutil (Citrus Aurantifolia) peruano el cual es fuente importante de vitamina C para las personas recomendado por la Organización Mundial de la Salud (OMS). Las provincias que mayor Limón producen en el Perú son Lambayeque y Piura mientras que Chile es el...

Descripción completa

Detalles Bibliográficos
Autor: Alcarazo Ibáñez, Freddy Daniel
Formato: tesis de grado
Fecha de Publicación:2021
Institución:Universidad Señor de Sipan
Repositorio:USS-Institucional
Lenguaje:español
OAI Identifier:oai:repositorio.uss.edu.pe:20.500.12802/8934
Enlace del recurso:https://hdl.handle.net/20.500.12802/8934
Nivel de acceso:acceso restringido
Materia:Momentos de Color
Visión Artificial
SVM
Clasificación Automática
Prototipo
http://purl.org/pe-repo/ocde/ford#2.02.04
id USSS_a798cf67c7408d28951cdd7f97e9baa1
oai_identifier_str oai:repositorio.uss.edu.pe:20.500.12802/8934
network_acronym_str USSS
network_name_str USS-Institucional
repository_id_str 4829
dc.title.es_PE.fl_str_mv Clasificación automática de citrus aurantifolia usando visión artificial
title Clasificación automática de citrus aurantifolia usando visión artificial
spellingShingle Clasificación automática de citrus aurantifolia usando visión artificial
Alcarazo Ibáñez, Freddy Daniel
Momentos de Color
Visión Artificial
SVM
Clasificación Automática
Prototipo
http://purl.org/pe-repo/ocde/ford#2.02.04
title_short Clasificación automática de citrus aurantifolia usando visión artificial
title_full Clasificación automática de citrus aurantifolia usando visión artificial
title_fullStr Clasificación automática de citrus aurantifolia usando visión artificial
title_full_unstemmed Clasificación automática de citrus aurantifolia usando visión artificial
title_sort Clasificación automática de citrus aurantifolia usando visión artificial
author Alcarazo Ibáñez, Freddy Daniel
author_facet Alcarazo Ibáñez, Freddy Daniel
author_role author
dc.contributor.advisor.fl_str_mv Tuesta Monteza, Victor Alexci
dc.contributor.author.fl_str_mv Alcarazo Ibáñez, Freddy Daniel
dc.subject.es_PE.fl_str_mv Momentos de Color
Visión Artificial
SVM
Clasificación Automática
Prototipo
topic Momentos de Color
Visión Artificial
SVM
Clasificación Automática
Prototipo
http://purl.org/pe-repo/ocde/ford#2.02.04
dc.subject.ocde.es_PE.fl_str_mv http://purl.org/pe-repo/ocde/ford#2.02.04
description Diversos mercados del mundo importan el Limón Sutil (Citrus Aurantifolia) peruano el cual es fuente importante de vitamina C para las personas recomendado por la Organización Mundial de la Salud (OMS). Las provincias que mayor Limón producen en el Perú son Lambayeque y Piura mientras que Chile es el principal país importador de Citrus Aurantifolia peruano, tan solo en el 2018 importo 3352106 toneladas métricas de Citrus Aurantifolia. La clasificación manual de frutas en general es un proceso de reconocimiento de aspecto continuo y consistente el cual requiere de personal experto, en dicho proceso de manera indirecta suceden clasificaciones incorrectas debido al factor del error humano lo cual convierte al proceso impreciso el cual depende de factores subjetivos como es el estado de salud en general de la persona y la experticia de la misma. En esta investigación se propuso un método basado en la aplicación de técnicas de visión artificial para clasificar de manera automática Citrus Aurantifolia por color. Se realizó la adquisición de imágenes para cada una de las clases de Citrus Aurantifolia (Maduro, Pintón y Verde) caracterizadas en base a Experto. Se obtuvo un dataset de 1050 imágenes de Citrus Aurantifolia (350 imágenes por clase). Se aplicaron las técnicas de pre-procesado de imágenes (corrección gamma, filtro pasa bajo, conversión a espacio de color HSV y escala de grises) y segmentación por el método de Otsu. Las características de Momentos de Color de las imágenes de Citrus Aurantifolia son utilizados para entrenar las técnicas de clasificación automática de Máquina de Vectores de Soporte (SVM) y K-Vecinos más Cercanos (KNN). Utilizando las características del Momento de Color de la media del canal R (rojo) de las imágenes de Citrus Aurantifolia en RGB, la técnica SVM obtuvo una tasa precisión del 98%, mientras que al convertir las imágenes de Citrus Aurantifolia al espacio de color CIELAB utilizando las características de las coordenadas a* y b* la tasa de precisión obtenida por las técnicas SVM y KNN fue del 100% con un tiempo de ejecución de 0.029801 sg (SVM) y 0.0074096 sg (KNN) respectivamente.
publishDate 2021
dc.date.accessioned.none.fl_str_mv 2021-12-13T15:51:08Z
dc.date.available.none.fl_str_mv 2021-12-13T15:51:08Z
dc.date.issued.fl_str_mv 2021
dc.type.es_PE.fl_str_mv info:eu-repo/semantics/bachelorThesis
format bachelorThesis
dc.identifier.uri.none.fl_str_mv https://hdl.handle.net/20.500.12802/8934
url https://hdl.handle.net/20.500.12802/8934
dc.language.iso.es_PE.fl_str_mv spa
language spa
dc.relation.ispartof.fl_str_mv SUNEDU
dc.rights.es_PE.fl_str_mv info:eu-repo/semantics/restrictedAccess
dc.rights.*.fl_str_mv Atribución-NoComercial-SinDerivadas 2.5 Perú
dc.rights.uri.*.fl_str_mv http://creativecommons.org/licenses/by-nc-nd/2.5/pe/
eu_rights_str_mv restrictedAccess
rights_invalid_str_mv Atribución-NoComercial-SinDerivadas 2.5 Perú
http://creativecommons.org/licenses/by-nc-nd/2.5/pe/
dc.format.es_PE.fl_str_mv application/pdf
dc.publisher.es_PE.fl_str_mv Universidad Señor de Sipán
dc.publisher.country.es_PE.fl_str_mv PE
dc.source.es_PE.fl_str_mv Repositorio Institucional - USS
dc.source.none.fl_str_mv reponame:USS-Institucional
instname:Universidad Señor de Sipan
instacron:USS
instname_str Universidad Señor de Sipan
instacron_str USS
institution USS
reponame_str USS-Institucional
collection USS-Institucional
dc.source.uri.es_PE.fl_str_mv Repositorio Institucional USS
bitstream.url.fl_str_mv http://repositorio.uss.edu.pe//bitstream/20.500.12802/8934/2/license_rdf
http://repositorio.uss.edu.pe//bitstream/20.500.12802/8934/3/license.txt
http://repositorio.uss.edu.pe//bitstream/20.500.12802/8934/4/Alcarazo%20Ib%c3%a1%c3%b1ez%20Freddy%20Daniel.pdf.txt
http://repositorio.uss.edu.pe//bitstream/20.500.12802/8934/5/Alcarazo%20Ib%c3%a1%c3%b1ez%20Freddy%20Daniel.pdf.jpg
http://repositorio.uss.edu.pe//bitstream/20.500.12802/8934/6/Alcarazo%20Ib%c3%a1%c3%b1ez%20Freddy%20Daniel.pdf
bitstream.checksum.fl_str_mv 3655808e5dd46167956d6870b0f43800
8a4605be74aa9ea9d79846c1fba20a33
8bdaaf37f373e9c2aa479cc53056a609
0e5a223e62779e67d139806dc5ab06d0
847034c2ce0c512f78d7dfed2fbdcbf1
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Institucional de la Universidad Señor de Sipán
repository.mail.fl_str_mv repositorio@uss.edu.pe
_version_ 1772955158929473536
spelling Tuesta Monteza, Victor AlexciAlcarazo Ibáñez, Freddy Daniel2021-12-13T15:51:08Z2021-12-13T15:51:08Z2021https://hdl.handle.net/20.500.12802/8934Diversos mercados del mundo importan el Limón Sutil (Citrus Aurantifolia) peruano el cual es fuente importante de vitamina C para las personas recomendado por la Organización Mundial de la Salud (OMS). Las provincias que mayor Limón producen en el Perú son Lambayeque y Piura mientras que Chile es el principal país importador de Citrus Aurantifolia peruano, tan solo en el 2018 importo 3352106 toneladas métricas de Citrus Aurantifolia. La clasificación manual de frutas en general es un proceso de reconocimiento de aspecto continuo y consistente el cual requiere de personal experto, en dicho proceso de manera indirecta suceden clasificaciones incorrectas debido al factor del error humano lo cual convierte al proceso impreciso el cual depende de factores subjetivos como es el estado de salud en general de la persona y la experticia de la misma. En esta investigación se propuso un método basado en la aplicación de técnicas de visión artificial para clasificar de manera automática Citrus Aurantifolia por color. Se realizó la adquisición de imágenes para cada una de las clases de Citrus Aurantifolia (Maduro, Pintón y Verde) caracterizadas en base a Experto. Se obtuvo un dataset de 1050 imágenes de Citrus Aurantifolia (350 imágenes por clase). Se aplicaron las técnicas de pre-procesado de imágenes (corrección gamma, filtro pasa bajo, conversión a espacio de color HSV y escala de grises) y segmentación por el método de Otsu. Las características de Momentos de Color de las imágenes de Citrus Aurantifolia son utilizados para entrenar las técnicas de clasificación automática de Máquina de Vectores de Soporte (SVM) y K-Vecinos más Cercanos (KNN). Utilizando las características del Momento de Color de la media del canal R (rojo) de las imágenes de Citrus Aurantifolia en RGB, la técnica SVM obtuvo una tasa precisión del 98%, mientras que al convertir las imágenes de Citrus Aurantifolia al espacio de color CIELAB utilizando las características de las coordenadas a* y b* la tasa de precisión obtenida por las técnicas SVM y KNN fue del 100% con un tiempo de ejecución de 0.029801 sg (SVM) y 0.0074096 sg (KNN) respectivamente.TesisInfraestructura, Tecnología y Medio Ambienteapplication/pdfspaUniversidad Señor de SipánPEinfo:eu-repo/semantics/restrictedAccessAtribución-NoComercial-SinDerivadas 2.5 Perúhttp://creativecommons.org/licenses/by-nc-nd/2.5/pe/Repositorio Institucional - USSRepositorio Institucional USSreponame:USS-Institucionalinstname:Universidad Señor de Sipaninstacron:USSMomentos de ColorVisión ArtificialSVMClasificación AutomáticaPrototipohttp://purl.org/pe-repo/ocde/ford#2.02.04Clasificación automática de citrus aurantifolia usando visión artificialinfo:eu-repo/semantics/bachelorThesisSUNEDUUniversidad Señor de Sipán. Facultad de Ingeniería, Arquitectura y UrbanismoIngeniero de SistemasIngeniería de Sistemas42722929https://orcid.org/0000-0002-5913-990X75852413612076Ramos Moscol, Mario FernandoMejía Cabrera, Heber IvanDíaz Vidarte, Miguel Orlandohttp://purl.org/pe-repo/renati/level#tituloProfesionalhttp://purl.org/pe-repo/renati/type#tesisCC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8811http://repositorio.uss.edu.pe//bitstream/20.500.12802/8934/2/license_rdf3655808e5dd46167956d6870b0f43800MD52LICENSElicense.txtlicense.txttext/plain; charset=utf-81748http://repositorio.uss.edu.pe//bitstream/20.500.12802/8934/3/license.txt8a4605be74aa9ea9d79846c1fba20a33MD53TEXTAlcarazo Ibáñez Freddy Daniel.pdf.txtAlcarazo Ibáñez Freddy Daniel.pdf.txtExtracted texttext/plain253593http://repositorio.uss.edu.pe//bitstream/20.500.12802/8934/4/Alcarazo%20Ib%c3%a1%c3%b1ez%20Freddy%20Daniel.pdf.txt8bdaaf37f373e9c2aa479cc53056a609MD54THUMBNAILAlcarazo Ibáñez Freddy Daniel.pdf.jpgAlcarazo Ibáñez Freddy Daniel.pdf.jpgGenerated Thumbnailimage/jpeg10258http://repositorio.uss.edu.pe//bitstream/20.500.12802/8934/5/Alcarazo%20Ib%c3%a1%c3%b1ez%20Freddy%20Daniel.pdf.jpg0e5a223e62779e67d139806dc5ab06d0MD55ORIGINALAlcarazo Ibáñez Freddy Daniel.pdfAlcarazo Ibáñez Freddy Daniel.pdfapplication/pdf65965http://repositorio.uss.edu.pe//bitstream/20.500.12802/8934/6/Alcarazo%20Ib%c3%a1%c3%b1ez%20Freddy%20Daniel.pdf847034c2ce0c512f78d7dfed2fbdcbf1MD5620.500.12802/8934oai:repositorio.uss.edu.pe:20.500.12802/89342022-10-21 15:05:47.965Repositorio Institucional de la Universidad Señor de Sipánrepositorio@uss.edu.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
score 13.785607
Nota importante:
La información contenida en este registro es de entera responsabilidad de la institución que gestiona el repositorio institucional donde esta contenido este documento o set de datos. El CONCYTEC no se hace responsable por los contenidos (publicaciones y/o datos) accesibles a través del Repositorio Nacional Digital de Ciencia, Tecnología e Innovación de Acceso Abierto (ALICIA).