Show simple item record

dc.contributor.advisorHerrera Ramírez, Jorge Alexis
dc.contributor.authorBarrera Tulcán, Jair Sebastián
dc.coverage.spatialMedellín - Antioquia - Colombiaspa
dc.date.accessioned2020-08-25T02:34:05Z
dc.date.available2020-08-25T02:34:05Z
dc.date.issued2019
dc.identifier.urihttp://hdl.handle.net/20.500.12622/2079
dc.description.abstractEn la actualidad la aplicación de técnicas de aprendizaje profundo (Deep Learning) para la clasificación de imágenes hiperespectrales ha permitido un mejor aprovechamiento de la información proporcionada por estas imágenes. Basados en este hecho, se presenta el uso de redes neuronales convolucionales de dos dimensiones (2D-CNN) para la clasificación de 13 clases de frutas y verduras escogidas aleatoriamente, de una base de datos publica de 42 imágenes hiperespectrales. Para el desarrollo de este trabajo se parte de la selección de una arquitectura de aprendizaje profundo, con el fin de aplicarse en la clasificación de tres imágenes hiperespectrales construidas artificialmente usando partes extraídas de la base de datos de 42 imágenes hiperespectrales mencionada. Cada una de estas tres imágenes contiene las mismas clases, pero mezcladas espacialmente en diferentes formas. Estas imágenes se pre procesaron y generaron usando Matlab®. A partir de estas imágenes hiperespectrales, se procede a realizar el entrenamiento y predicción en lenguaje Python implementando librerías de TensorFlow. Se realizó una comparación de resultados de clasificación usando máquinas de soporte vectorial, técnica clásica de clasificación y esto mostró que la 2D-CNN tiene un mejor desempeño. La arquitectura 2D-CNN superó el 98% de precisión en la clasificación (para las tres imágenes generadas), y aunque con altos resultados en los tres casos, también se pudo observar que el modelo es dependiente de la forma en la que se distribuyen espacialmente los píxeles de cada clase en las imágenes hiperespectrales construidas para este trabajo.spa
dc.format.mediumRecurso electrónicospa
dc.format.mimetypeapplication/pdf
dc.language.isospa
dc.publisherInstituto Tecnológico Metropolitanospa
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.subjectImágenes hiperespectralesspa
dc.subjectInteligencia artificialspa
dc.subjectAprendizaje profundospa
dc.subjectEspectro electromagnéticospa
dc.titleClasificación de imágenes hiperespectrales de frutas y verduras, mediante aprendizaje profundo.spa
dc.publisher.facultyFacultad de Ingenieríasspa
dc.publisher.programIngeniería Mecatrónicaspa
dc.subject.keywordsNeural networks (Computer science)eng
dc.subject.keywordsAlgorithmseng
dc.subject.keywordsMachine learningeng
dc.subject.keywordsVertical support machineseng
dc.subject.lembRedes neuronales (Computadores)spa
dc.subject.lembAlgoritmosspa
dc.subject.lembAprendizaje automático (Inteligencia artificial)spa
dc.subject.lembMáquinas de soporte verticalspa
dc.description.degreenameIngeniero Mecatrónicospa
dc.identifier.instnameinstname:Instituto Tecnológico Metropolitanospa
dc.identifier.reponamereponame:Repositorio Institucional Instituto Tecnológico Metropolitanospa
dc.identifier.repourlrepourl:https://repositorio.itm.edu.co/
dc.rights.localAcceso abiertospa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.creativecommonsAttribution-NonCommercial-NoDerivatives 4.0 International*
dc.type.localTesis/Trabajo de grado - Monografía - Pregradospa
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.type.driverinfo:eu-repo/semantics/bachelorThesis
dc.publisher.grantorInstituto Tecnológico Metropolitanospa
dc.description.degreelevelpregradospa


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record

http://creativecommons.org/licenses/by-nc-nd/4.0/
Except where otherwise noted, this item's license is described as http://creativecommons.org/licenses/by-nc-nd/4.0/