Citas bibligráficas
Esta es una referencia generada automáticamente. Modifíquela de ser necesario
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"
}
Título: Aplicación de técnicas de visión por computador en la selección de palta hass de calidad
Autor(es): Quiroz Valencia, Adler Luis
Asesor(es): Mejia Cabrera, Heber Ivan
Palabras clave: Procesamiento de Imágenes; Inteligencia Artificial; K-Means Segmentación; Descriptores de Color; Palta Hass; Calidad
Campo OCDE: https://purl.org/pe-repo/ocde/ford#2.02.04
Fecha de publicación: 2021
Institución: Universidad Señor de Sipán
Resumen: 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.
Enlace al repositorio: https://hdl.handle.net/20.500.12802/8392
Disciplina académico-profesional: Ingeniería de Sistemas
Institución que otorga el grado o título: Universidad Señor de Sipán. Facultad de Ingeniería, Arquitectura y Urbanismo
Grado o título: Ingeniero de Sistemas
Jurado: Chirinos Mundaca, Carlos Alberto; Sialer Rivera, Maria Noelia; Mejía Cabrera, Iván
Fecha de registro: 27-jul-2021
Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons