Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Machine Learning
Visión Artificial
El Machine Learning, se describe a
menudo como un tipo de técnicas Ciencia que estudia, utilizando
de Inteligencia Artificial donde las computadoras digitales, los
computadoras aprenden a hacer procesos de obtención,
algo sin ser programadas para caracterización, interpretación de
ello. Por poner un ejemplo sencillo, la información procedentes de
se podría programar un ordenador imágenes tomadas de un mundo
para identificar a un animal como tridimensional.
un gato escribiendo un código que
indique al programa que elija Proceso de tratamiento de
"gato" cuando se ve una imagen información que permite obtener
concreta de un gato. Esto una descripción simbólica del
funcionará si el único gato con el mundo real a partir de imágenes.
que tratase el programa es el de
esa imagen, pero no lo haría si el
programa tuviera que ver un 5. METODOLOGÍA
montón de imágenes de diferentes
animales, incluyendo una gran
cantidad de gatos, y tuviera que Construcción del dataset
identificar cuáles de ellas
representan a un gato.
Para este proyecto se plantea el
uso de aprendizaje profundo, el
que reconocerá nueve de las
diferentes variedades de peras
mediante imágenes. Este objetivo
podrá ser logrado mediante la
Deep Learning
recolección de imágenes
provenientes de internet o también
El Deep Learning lleva a cabo el se podrá lograr capturando las
proceso de Machine Learning imágenes de diferentes peras
usando una red neuronal artificial conseguidas de algún lugar que
que se compone de un número de las distribuya.
niveles jerárquicos. En el nivel
inicial de la jerarquía la red Se optó por utilizar el dataset
aprende algo simple y luego envía cocoa-ripeness-dataset-tcs-01 las
cuales tienen tamaño de 500 cacao, esta clase cuenta con 70
píxeles por 500 píxeles imágenes para entrenamiento y 6
imágenes para pruebas.
6. RESULTADOS
5 1,4% 4.17%
8 1,5% 4,17%
10 1,8% 25%
50 6,6% 25%
La arquitectura Xception tiene 36 capas
convolucionales que forman la base de
extracción de características de la red. En 100 19,58% 33,33%
este proyecto evaluaremos
180 2,94% 58,33%
enfermedades en las mazorcas, golpes,
tamaños, etc. aspectos visibles o no
visibles al ojo humano utilizando
algoritmos con tecnología avanzada.
Esta prueba de rendimiento no asegura
que el algoritmo se desempeñe con la 8. REFERENCIAS BIBLIOGRÁFICAS
misma precisión al ser sometido a una
clasificación en tiempo real [1] Gulli, A., & Sujit, P. (2017). Deep
y con datos diferentes a los utilizados Learning with
para el entrenamiento y evaluación de la Keras. Birmingham: Packt.
red neuronal. Los resultados de la [2] Heras, Diego. (2017). Clasificador de
evaluación de predicción del imágenes de frutas basado en inteligencia
modelo.muestran una precisión que varia artificial. Killkana Técnica.
desde 4.17% el cual seria su valor más [3] Mota-Delfin, Juárez-González, y
bajo, hasta 58,33%. También se aprecia Olguín-Rojas, J. Clasificación de
un aumento en la precisión del modelo a manzanas utilizando visión artificial y
medida que la cantidad de epoch redes neuronales artificiales. Revista
aumenta. Ingeniería y Región.
[4] Jonathan Victor Aguilar-Alvarado,
7. CONCLUSIONES Milton Alfredo Campoverde-Molina,
Clasificación de frutas basadas en redes
De acuerdo a los resultados obtenidos, la neuronales convolucionales. Pol. Con.
aplicación de este método de (Edición núm. 41) Vol. 5, No 01 Enero
determinación de la madurez del cacao da 2019, pp. 3-22 ISSN: 2550 - 682X.
un rendimiento que, teóricamente puede [5] Christian Montoya Holguin, Jimmy
superar el 58% de precisión, se pueden Alexander Cortés Osorio, José Andrés
mejorar ampliando nuestra base de datos Chaves Osorio, Sistema automático de
para el entrenamiento en cuanto en reconocimiento de frutas basado en visión
calidad de imagen y calidad de la por computador,Revista Ingeniare
iluminación, ya que en estos aspectos se (Volumen 22 N° 4, Octubre - Diciembre
generan errores experimentales que 2014).
afectan la precisión de la red. [6] Dr. Ismael Domínguez Jiménez, Dr.
También es importante mencionar que la Alejandro Mendoza Gamiño, Mtro.
prueba del modelo se realizó con Melecio Sánchez Ruiz,
imágenes las cuales tienen ruido, lo cual Clasificador Automático de Frutas y
también podría explicar la precisión de Verduras,CTLab: Creative Technology
este mismo. La elaboración de este Lab, Colegio de Posgrado,Área
proyecto da pauta para la continuación de Académica de Computación y
determinación de la madurez de las Electrónica(Enero – Julio 2020).
mazorcas de cacao, sino también
considerar aspectos como son;