Bibliographic citations
This is an automatically generated citacion. Modify it if you see fit
Quiroz, A., (2021). Aplicación de técnicas de visión por computador en la selección de palta hass de calidad [Tesis, Universidad Señor de Sipán]. https://hdl.handle.net/20.500.12802/8392
Quiroz, A., Aplicación de técnicas de visión por computador en la selección de palta hass de calidad [Tesis]. PE: Universidad Señor de Sipán; 2021. https://hdl.handle.net/20.500.12802/8392
@misc{renati/1432700,
title = "Aplicación de técnicas de visión por computador en la selección de palta hass de calidad",
author = "Quiroz Valencia, Adler Luis",
publisher = "Universidad Señor de Sipán",
year = "2021"
}
Title: Aplicación de técnicas de visión por computador en la selección de palta hass de calidad
Authors(s): Quiroz Valencia, Adler Luis
Advisor(s): Mejia Cabrera, Heber Ivan
Keywords: Procesamiento de Imágenes; Inteligencia Artificial; K-Means Segmentación; Descriptores de Color; Palta Hass; Calidad
OCDE field: https://purl.org/pe-repo/ocde/ford#2.02.04
Issue Date: 2021
Institution: Universidad Señor de Sipán
Abstract: La calidad de la Palta Hass, es uno de las especificaciones más importantes
en el desarrollo del cultivo nacional de exportación. Las deficiencias estudiadas
fueron los frutos enteros y no enteros, frutos con queresas, frutos con defectos
mayores (quemaduras y plagas) y defectos menores (Color); El objetivo del
presente trabajo de investigación fue determinar e identificar los frutos aceptables
en el entorno de calidad identificando sus principales problemas de rechazo por los
clientes por medio de visión artificial, utilizando procesamiento de imágenes y
descriptores de color (de los cuales se ha usado descriptores K-Means); se utilizó
un total de 1260 imágenes, basado en 210 frutos distribuidos en tres niveles. Se
obtienen seis imágenes por cada fruto, en la etapa de procesamiento y filtros de
creación propia en la etapa de pre-procesamiento. Los descriptores se usaron con
el fin de extraer características de todas las imágenes para la etapa de
entrenamiento del sistema, luego de haber extraído los vectores a todas las
muestras, luego se clasifican las muestras de prueba mediante Segment Color,
Segment Rose y K-Means, como resultado general resulta el clasificador KNN
como el más óptimo para la clasificación obteniendo un 77% de acierto.
Link to repository: https://hdl.handle.net/20.500.12802/8392
Discipline: Ingeniería de Sistemas
Grade or title grantor: Universidad Señor de Sipán. Facultad de Ingeniería, Arquitectura y Urbanismo
Grade or title: Ingeniero de Sistemas
Juror: Chirinos Mundaca, Carlos Alberto; Sialer Rivera, Maria Noelia; Mejía Cabrera, Iván
Register date: 27-Jul-2021
This item is licensed under a Creative Commons License