Construcción de una Base de Datos de Frutas Cítricas A Partir del Aumento de Datos para un Modelo de Clasificación con Aprendizaje Profundo

Cada día millones de imágenes son almacenadas, ya sea por páginas web o redes sociales, generando base de datos con etiquetas. Sin embargo, no siempre son representativas, de gran variedad o de dominio público. En este artículo se presenta la construcción de una base de datos particular de frutas cí...

Full description

Autores:: Cárdenas Torres, Jacson Ferney
Jiménez Delgado, Kevin Johan

Tipo de recurso:: Trabajo de grado de pregrado

Fecha de publicación:: 2021

Institución:: Universidad Santo Tomás

Repositorio:: Repositorio Institucional USTA

Idioma:

id	SANTOTOMAS_2e596c32f32c2a565f981b6332a2d4f3
oai_identifier_str	oai:repository.usta.edu.co:11634/35500
network_acronym_str	SANTOTOMAS
network_name_str	Repositorio Institucional USTA
repository_id_str
dc.title.spa.fl_str_mv	Construcción de una Base de Datos de Frutas Cítricas A Partir del Aumento de Datos para un Modelo de Clasificación con Aprendizaje Profundo
title	Construcción de una Base de Datos de Frutas Cítricas A Partir del Aumento de Datos para un Modelo de Clasificación con Aprendizaje Profundo
spellingShingle	Construcción de una Base de Datos de Frutas Cítricas A Partir del Aumento de Datos para un Modelo de Clasificación con Aprendizaje Profundo Dataset Data augmentation Citrus fruits Classification Deep learning Bases de datos de imágenes Archivos de imágenes Diseño lógico Innovación Sistemas de almacenamiento y recuperación de información Bases de datos-administración Base de datos Aumento de datos Frutas cítricas Clasificación Aprendizaje profundo
title_short	Construcción de una Base de Datos de Frutas Cítricas A Partir del Aumento de Datos para un Modelo de Clasificación con Aprendizaje Profundo
title_full	Construcción de una Base de Datos de Frutas Cítricas A Partir del Aumento de Datos para un Modelo de Clasificación con Aprendizaje Profundo
title_fullStr	Construcción de una Base de Datos de Frutas Cítricas A Partir del Aumento de Datos para un Modelo de Clasificación con Aprendizaje Profundo
title_full_unstemmed	Construcción de una Base de Datos de Frutas Cítricas A Partir del Aumento de Datos para un Modelo de Clasificación con Aprendizaje Profundo
title_sort	Construcción de una Base de Datos de Frutas Cítricas A Partir del Aumento de Datos para un Modelo de Clasificación con Aprendizaje Profundo
dc.creator.fl_str_mv	Cárdenas Torres, Jacson Ferney Jiménez Delgado, Kevin Johan
dc.contributor.advisor.none.fl_str_mv	Valencia Niño, Cesar Hernando Páez Casas, Deisy Carolina
dc.contributor.author.none.fl_str_mv	Cárdenas Torres, Jacson Ferney Jiménez Delgado, Kevin Johan
dc.contributor.orcid.Spa.fl_str_mv	https://orcid.org/0000-0003-0208-8387 https://orcid.org/0000-0001-6582-771X https://orcid.org/0000-0001-6077-6458
dc.contributor.googlescholar.Spa.fl_str_mv	https://scholar.google.com.co/citations?user=-01zsQoAAAAJ&hl=es&oi=ao https://scholar.google.com/citations?hl=es&user=6lIl3msAAAAJ
dc.contributor.cvlac.Spa.fl_str_mv	https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001743126 https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001743298 https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001387730 https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000542652
dc.contributor.corporatename.Spa.fl_str_mv	Universidad Santo Tomás
dc.subject.keyword.spa.fl_str_mv	Dataset Data augmentation Citrus fruits Classification Deep learning
topic	Dataset Data augmentation Citrus fruits Classification Deep learning Bases de datos de imágenes Archivos de imágenes Diseño lógico Innovación Sistemas de almacenamiento y recuperación de información Bases de datos-administración Base de datos Aumento de datos Frutas cítricas Clasificación Aprendizaje profundo
dc.subject.lemb.spa.fl_str_mv	Bases de datos de imágenes Archivos de imágenes Diseño lógico Innovación Sistemas de almacenamiento y recuperación de información Bases de datos-administración
dc.subject.proposal.spa.fl_str_mv	Base de datos Aumento de datos Frutas cítricas Clasificación Aprendizaje profundo
description	Cada día millones de imágenes son almacenadas, ya sea por páginas web o redes sociales, generando base de datos con etiquetas. Sin embargo, no siempre son representativas, de gran variedad o de dominio público. En este artículo se presenta la construcción de una base de datos particular de frutas cítricas distribuidas en Colombia que se encuentran escasamente en repositorios, siendo estas informaciones los registros de entrada a un modelo de clasificación de única etiqueta con aprendizaje profundo. Las imágenes fueron obtenidas por medio de la opción ráfaga en una cámara de 48 MP (f2,0 con tecnología Quad Píxel, 1,6 µm), se variaron condiciones de exposición tales como la posición por medio de la rotación y la iluminación en la fruta con el fin de obtener el aumento de registros en la base de datos, previa definición de las características que identifican cada una de las frutas se realiza la selección de una cantidad limitada representativa. Mediante la utilización de diferentes técnicas se aplica un redimensionamiento espacial en las imágenes a nivel de software. De esta forma son obtenidos 20738 registros pertenecientes a 8 clases de frutas cítricas, que luego se separan implementando la regla de división 90% a 10%, en dos directorios llamados entrenamiento y prueba.
publishDate	2021
dc.date.accessioned.none.fl_str_mv	2021-09-10T16:31:24Z
dc.date.available.none.fl_str_mv	2021-09-10T16:31:24Z
dc.date.issued.none.fl_str_mv	2021-09-10
dc.type.none.fl_str_mv	bachelor thesis
dc.type.local.spa.fl_str_mv	Tesis de pregrado
dc.type.version.none.fl_str_mv	info:eu-repo/semantics/acceptedVersion
dc.type.category.spa.fl_str_mv	Formación de Recurso Humano para la Ctel: Trabajo de grado de Pregrado
dc.type.coar.none.fl_str_mv	http://purl.org/coar/resource_type/c_7a1f
dc.type.drive.none.fl_str_mv	info:eu-repo/semantics/bachelorThesis
format	http://purl.org/coar/resource_type/c_7a1f
status_str	acceptedVersion
dc.identifier.citation.spa.fl_str_mv	Cardenas, J. F. y Jimenez, K. J., (2021). Construcción de una Base de Datos de Frutas Cítricas A Partir del Aumento de Datos para un Modelo de Clasificación con Aprendizaje Profundo. [Trabajo de Grado, Universidad Santo Tomás]. Repositorio Institucional.
dc.identifier.uri.none.fl_str_mv	http://hdl.handle.net/11634/35500
dc.identifier.repourl.spa.fl_str_mv	repourl:https://repository.usta.edu.co
identifier_str_mv	Cardenas, J. F. y Jimenez, K. J., (2021). Construcción de una Base de Datos de Frutas Cítricas A Partir del Aumento de Datos para un Modelo de Clasificación con Aprendizaje Profundo. [Trabajo de Grado, Universidad Santo Tomás]. Repositorio Institucional. repourl:https://repository.usta.edu.co
url	http://hdl.handle.net/11634/35500
dc.relation.references.spa.fl_str_mv	Dandavate R. y Patodkar V. (2020). “CNN and Data Augmentation Based Fruit Classification Model”. IEEE Xplore. DOI: 10.1109/I-SMAC49090.2020.9243440 Roldan D. y Salazar M. (2002). La cadena de cítricos en Colombia, Ministerio de Agricultura y Desarrollo Rural , Observatorio Agrocadenas Colombia. Recuperado de http://repiica.iica.int/docs/B0148e/B0148e.pdf Arrieta P., E. y Rico H., H. (2005). Producción de plántulas de limón criollo (citrus aurantifolia) mediante la técnica de micropropagación in vitro. Universidad de Sucre, Colombia Chollet, F. (2020). Deep Learning with Python, Editorial Manning ediciones MEAP, Segunda edición. Recuperado de https://livebook.manning.com/book/deep-learning-with-python-second-edition/chapter-2/v-7/209 González P., M. A y Ojeda R., J. G. (2003). Sistema de visión artificial para reconocimiento de objetos, Revista Colombia de Tecnologías Avanzada RCTA , ISSN: 1692-7257 Muresan H. y Oltean M. (2018). Fruit recognition from images using Deep learnig, Recuperado de https://doi.org/10.2478/ausi-2018-0002 Revista: Sciendo Dimitrie M. (2021). Fruit Dataset. Fruit Classification. Universidad Alexandru Ioan Cuza de Iași. Recuperado de https://www.kaggle.com/aelchimminut/fruits262 Olsson A y Femling F. (2018). Fruit and Vegetable Identification Using Machine Learning for Retail Applications, Halmstad University. DOI: 10.1109/SITIS.2018.00013 Geron A. (2019). Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow: Concepts, tools, and techniques to build intelligent systems. O'Reilly Media Sarmiento M., H.O y Villa A., W. M. (2008). Inteligencia artificial en pronóstico de demanda de energía eléctrica: una aplicación en optimización de recursos energéticos, Revista Colombia de Tecnologías de Avanzada RCTA, ISSN: 1692-7257 Redondas. D. (2016). “Transformaciones Lineales En R2” Universidad Politécnica de Madrid. Recuperado de https://www.edificacion.upm.es/personales/redondas/docencia/fundamentos/objetos/tema8b.pdf Beleño D., S. L., Martinez L., C. V., Mondragón B., I. F., Parra R., C. A., (2020). Inspección de Aisladores en Líneas de Transmisión Eléctrica usando Inteligencia Artificial, Revista Colombia de Tecnologías de Avanzada RCTA, ISSN: 1692-7257 Santomera. L. (2017). El limonar de Santomera, Santomera, Murcia, España. Recuperado de https://www.el-limonar.com/productor citricos/blog/54/tipos-de-limones-y-como diferenciarlos.html (Consultado: 3 de abril 2021) Sabelotodo. (2010). Limón Criollo, Recuperado de http://www.sabelotodo.org/agricultura/frutales/limon.html (Consultado: 4 de abril 2021) Ecured. (2020). Citrus × limonia (Limón mandarina), Recuperado de https://www.ecured.cu/Citrus_%C3%97_limonia_(Lim%C3%B3n_mandarina) (Consultado: 10 de abril 2021) Persian (2019). El limón Tahití. Recuperado de https://persianlime.co/Persian/el-limon-tahiti/ (Consultado: 15 de abril 2021) Xeridia (2020). La importancia del preprocesamiento de datos en Inteligencia Artificial: Limpieza de datos. Recuperado de https://www.xeridia.com/blog/la-importancia-del preprocesamiento-de-datos-en-inteligencia-artificial-limpieza-de-datos (Consultado: 16 de abril 2021) Dmitriev, D. (2019). VGG16 Neural Network Visualization. Recuperado de https://www.youtube.com/watch?v=RNnKtNrsrm &t=273s (Consultado: 2 de mayo 2021) Keras. (2016). Keras Applications, Recuperado de https://keras.io/api/applications/ (Consultado: 20 de mayo 2021) Keras. (2015). Image data preprocessing, Recuperado de https://keras.io/api/preprocessing/image/. (Consultado: 26 de mayo 2021) Brownlee, J. (2019). How to configure Image Data Augmentation in Keras. Recuperado de https://machinelearningmastery.com/how-to configure-image-data-augmentation-when-training-deep-learning-neural-networks/. (Consultado: 5 de junio 2021) Keras. (2020a). RandomTranslation layer. Recuperado de https://keras.io/api/layers/preprocessing_layers/image_augmentation/random_translation/. (Consultado: 28 de junio 2021) Keras. (2020b). RandomRotation layer. Recuperado de https://keras.io/api/layers/preprocessing_layers/image_augmentation/random_flip/. (Consultado: 28 de junio 2021) Keras. (2020c). RandomFlip layer. Recuperado de https://keras.io/api/layers/preprocessing_layers/image_augmentation/random_rotation/. (Consultado: 28 de junio 2021) Keras. (2020d). RandomZoom layer. Recuperado de https://keras.io/api/layers/preprocessing_layers/image_augmentation/random_zoom/. (Consultado: 28 de junio 2021)
dc.rights.*.fl_str_mv	Atribución-NoComercial-SinDerivadas 2.5 Colombia
dc.rights.uri.*.fl_str_mv	http://creativecommons.org/licenses/by-nc-nd/2.5/co/
dc.rights.local.spa.fl_str_mv	Abierto (Texto Completo)
dc.rights.accessrights.none.fl_str_mv	info:eu-repo/semantics/openAccess
dc.rights.coar.none.fl_str_mv	http://purl.org/coar/access_right/c_abf2
rights_invalid_str_mv	Atribución-NoComercial-SinDerivadas 2.5 Colombia http://creativecommons.org/licenses/by-nc-nd/2.5/co/ Abierto (Texto Completo) http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv	openAccess
dc.format.mimetype.spa.fl_str_mv	application/pdf
dc.coverage.campus.spa.fl_str_mv	CRAI-USTA Bucaramanga
dc.publisher.program.spa.fl_str_mv	Pregrado Ingeniería Mecatrónica
institution	Universidad Santo Tomás
bitstream.url.fl_str_mv	https://repository.usta.edu.co/bitstream/11634/35500/7/2021c%c3%a1rdenasjacson https://repository.usta.edu.co/bitstream/11634/35500/10/2021c%c3%a1rdenasjacson1 https://repository.usta.edu.co/bitstream/11634/35500/8/2021cartaaprobaci%c3%b3nfacultad https://repository.usta.edu.co/bitstream/11634/35500/9/2021cartaderechosautor https://repository.usta.edu.co/bitstream/11634/35500/11/2021c%c3%a1rdenasjacson.jpg https://repository.usta.edu.co/bitstream/11634/35500/12/2021c%c3%a1rdenasjacson1.jpg https://repository.usta.edu.co/bitstream/11634/35500/13/2021cartaaprobaci%c3%b3nfacultad.jpg https://repository.usta.edu.co/bitstream/11634/35500/14/2021cartaderechosautor.jpg https://repository.usta.edu.co/bitstream/11634/35500/6/license.txt https://repository.usta.edu.co/bitstream/11634/35500/5/license_rdf https://repository.usta.edu.co/bitstream/11634/35500/1/2021c%c3%a1rdenasjacson https://repository.usta.edu.co/bitstream/11634/35500/4/2021c%c3%a1rdenasjacson1 https://repository.usta.edu.co/bitstream/11634/35500/2/2021cartaaprobaci%c3%b3nfacultad https://repository.usta.edu.co/bitstream/11634/35500/3/2021cartaderechosautor
bitstream.checksum.fl_str_mv	ba25926187e24053a0275ddb4289dcba 7d065816f3ec71f7b0b0418326e38936 ada0beb63e4e59f51c419975a1e786c3 ef7f16ed07247c5c61681f15a4330c58 ba25926187e24053a0275ddb4289dcba 7d065816f3ec71f7b0b0418326e38936 ada0beb63e4e59f51c419975a1e786c3 ef7f16ed07247c5c61681f15a4330c58 aedeaf396fcd827b537c73d23464fc27 217700a34da79ed616c2feb68d4c5e06 04596986003e48e36ccf7c5bd67e6e38 2ae951123e6fb788003ad645c947ff2c b4520d25e9dd1f6514b6cbb791c8dc1c 690928058d1412499d463c6a1426678a
bitstream.checksumAlgorithm.fl_str_mv	MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5
repository.name.fl_str_mv	Repositorio Universidad Santo Tomás
repository.mail.fl_str_mv	repositorio@usta.edu.co
_version_	1866409499431010304
spelling	Valencia Niño, Cesar HernandoPáez Casas, Deisy CarolinaCárdenas Torres, Jacson FerneyJiménez Delgado, Kevin Johanhttps://orcid.org/0000-0003-0208-8387https://orcid.org/0000-0001-6582-771Xhttps://orcid.org/0000-0001-6077-6458https://scholar.google.com.co/citations?user=-01zsQoAAAAJ&hl=es&oi=aohttps://scholar.google.com/citations?hl=es&user=6lIl3msAAAAJhttps://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001743126https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001743298https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001387730https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000542652Universidad Santo Tomás2021-09-10T16:31:24Z2021-09-10T16:31:24Z2021-09-10Cardenas, J. F. y Jimenez, K. J., (2021). Construcción de una Base de Datos de Frutas Cítricas A Partir del Aumento de Datos para un Modelo de Clasificación con Aprendizaje Profundo. [Trabajo de Grado, Universidad Santo Tomás]. Repositorio Institucional.http://hdl.handle.net/11634/35500repourl:https://repository.usta.edu.coCada día millones de imágenes son almacenadas, ya sea por páginas web o redes sociales, generando base de datos con etiquetas. Sin embargo, no siempre son representativas, de gran variedad o de dominio público. En este artículo se presenta la construcción de una base de datos particular de frutas cítricas distribuidas en Colombia que se encuentran escasamente en repositorios, siendo estas informaciones los registros de entrada a un modelo de clasificación de única etiqueta con aprendizaje profundo. Las imágenes fueron obtenidas por medio de la opción ráfaga en una cámara de 48 MP (f2,0 con tecnología Quad Píxel, 1,6 µm), se variaron condiciones de exposición tales como la posición por medio de la rotación y la iluminación en la fruta con el fin de obtener el aumento de registros en la base de datos, previa definición de las características que identifican cada una de las frutas se realiza la selección de una cantidad limitada representativa. Mediante la utilización de diferentes técnicas se aplica un redimensionamiento espacial en las imágenes a nivel de software. De esta forma son obtenidos 20738 registros pertenecientes a 8 clases de frutas cítricas, que luego se separan implementando la regla de división 90% a 10%, en dos directorios llamados entrenamiento y prueba.Every day millions of images are stored, either by websites or by social networks, generating datasets with labels. However, they are not always representative, of great variety or in the public domain. This article presents the construction of a particular dataset of citrus fruits distributed in Colombia that are sparsely found in repositories, these information are the input records to a single-label classification model with deep learning. The images were obtained through the burst option on a 48 MP camera (f2.0 with Quad Pixel technology, 1.6 µm). Exposure conditions such as position were evaluated through rotation and lighting of the fruit with the purpose to obtain the increase of records in the dataset, previous defining the features that identify each of the fruits, the selection of a representative limited quantity is made. Through the use of different techniques, a spatial resizing is applied to the images at the software level. In this way, 20738 samples belonging to 8 classes of citrus fruits are obtained and they are separated by implementing the division rule 90% to 10%, in two directories called; train and test.Ingeniero Mecatrónicohttps://www.ustabuca.edu.co/Pregradoapplication/pdfAtribución-NoComercial-SinDerivadas 2.5 Colombiahttp://creativecommons.org/licenses/by-nc-nd/2.5/co/Abierto (Texto Completo)info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Construcción de una Base de Datos de Frutas Cítricas A Partir del Aumento de Datos para un Modelo de Clasificación con Aprendizaje Profundobachelor thesisTesis de pregradoinfo:eu-repo/semantics/acceptedVersionFormación de Recurso Humano para la Ctel: Trabajo de grado de Pregradohttp://purl.org/coar/resource_type/c_7a1finfo:eu-repo/semantics/bachelorThesisPregrado Ingeniería MecatrónicaDatasetData augmentationCitrus fruitsClassificationDeep learningBases de datos de imágenesArchivos de imágenesDiseño lógicoInnovaciónSistemas de almacenamiento y recuperación de informaciónBases de datos-administraciónBase de datosAumento de datosFrutas cítricasClasificaciónAprendizaje profundoCRAI-USTA BucaramangaDandavate R. y Patodkar V. (2020). “CNN and Data Augmentation Based Fruit Classification Model”. IEEE Xplore. DOI: 10.1109/I-SMAC49090.2020.9243440Roldan D. y Salazar M. (2002). La cadena de cítricos en Colombia, Ministerio de Agricultura y Desarrollo Rural , Observatorio Agrocadenas Colombia. Recuperado de http://repiica.iica.int/docs/B0148e/B0148e.pdfArrieta P., E. y Rico H., H. (2005). Producción de plántulas de limón criollo (citrus aurantifolia) mediante la técnica de micropropagación in vitro. Universidad de Sucre, ColombiaChollet, F. (2020). Deep Learning with Python, Editorial Manning ediciones MEAP, Segunda edición. Recuperado de https://livebook.manning.com/book/deep-learning-with-python-second-edition/chapter-2/v-7/209González P., M. A y Ojeda R., J. G. (2003). Sistema de visión artificial para reconocimiento de objetos, Revista Colombia de Tecnologías Avanzada RCTA , ISSN: 1692-7257Muresan H. y Oltean M. (2018). Fruit recognition from images using Deep learnig, Recuperado de https://doi.org/10.2478/ausi-2018-0002 Revista: SciendoDimitrie M. (2021). Fruit Dataset. Fruit Classification. Universidad Alexandru Ioan Cuza de Iași. Recuperado de https://www.kaggle.com/aelchimminut/fruits262Olsson A y Femling F. (2018). Fruit and Vegetable Identification Using Machine Learning for Retail Applications, Halmstad University. DOI: 10.1109/SITIS.2018.00013Geron A. (2019). Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow: Concepts, tools, and techniques to build intelligent systems. O'Reilly MediaSarmiento M., H.O y Villa A., W. M. (2008). Inteligencia artificial en pronóstico de demanda de energía eléctrica: una aplicación en optimización de recursos energéticos, Revista Colombia de Tecnologías de Avanzada RCTA, ISSN: 1692-7257Redondas. D. (2016). “Transformaciones Lineales En R2” Universidad Politécnica de Madrid. Recuperado de https://www.edificacion.upm.es/personales/redondas/docencia/fundamentos/objetos/tema8b.pdfBeleño D., S. L., Martinez L., C. V., Mondragón B., I. F., Parra R., C. A., (2020). Inspección de Aisladores en Líneas de Transmisión Eléctrica usando Inteligencia Artificial, Revista Colombia de Tecnologías de Avanzada RCTA, ISSN: 1692-7257Santomera. L. (2017). El limonar de Santomera, Santomera, Murcia, España. Recuperado de https://www.el-limonar.com/productor citricos/blog/54/tipos-de-limones-y-como diferenciarlos.html (Consultado: 3 de abril 2021)Sabelotodo. (2010). Limón Criollo, Recuperado de http://www.sabelotodo.org/agricultura/frutales/limon.html (Consultado: 4 de abril 2021)Ecured. (2020). Citrus × limonia (Limón mandarina), Recuperado de https://www.ecured.cu/Citrus_%C3%97_limonia_(Lim%C3%B3n_mandarina) (Consultado: 10 de abril 2021)Persian (2019). El limón Tahití. Recuperado de https://persianlime.co/Persian/el-limon-tahiti/ (Consultado: 15 de abril 2021)Xeridia (2020). La importancia del preprocesamiento de datos en Inteligencia Artificial: Limpieza de datos. Recuperado de https://www.xeridia.com/blog/la-importancia-del preprocesamiento-de-datos-en-inteligencia-artificial-limpieza-de-datos (Consultado: 16 de abril 2021)Dmitriev, D. (2019). VGG16 Neural Network Visualization. Recuperado de https://www.youtube.com/watch?v=RNnKtNrsrm &t=273s (Consultado: 2 de mayo 2021)Keras. (2016). Keras Applications, Recuperado de https://keras.io/api/applications/ (Consultado: 20 de mayo 2021)Keras. (2015). Image data preprocessing, Recuperado de https://keras.io/api/preprocessing/image/. (Consultado: 26 de mayo 2021)Brownlee, J. (2019). How to configure Image Data Augmentation in Keras. Recuperado de https://machinelearningmastery.com/how-to configure-image-data-augmentation-when-training-deep-learning-neural-networks/. (Consultado: 5 de junio 2021)Keras. (2020a). RandomTranslation layer. Recuperado de https://keras.io/api/layers/preprocessing_layers/image_augmentation/random_translation/. (Consultado: 28 de junio 2021)Keras. (2020b). RandomRotation layer. Recuperado de https://keras.io/api/layers/preprocessing_layers/image_augmentation/random_flip/. (Consultado: 28 de junio 2021)Keras. (2020c). RandomFlip layer. Recuperado de https://keras.io/api/layers/preprocessing_layers/image_augmentation/random_rotation/. (Consultado: 28 de junio 2021)Keras. (2020d). RandomZoom layer. Recuperado de https://keras.io/api/layers/preprocessing_layers/image_augmentation/random_zoom/. (Consultado: 28 de junio 2021)THUMBNAIL2021cárdenasjacson2021cárdenasjacsonIM Thumbnailimage/jpeg9128https://repository.usta.edu.co/bitstream/11634/35500/7/2021c%c3%a1rdenasjacsonba25926187e24053a0275ddb4289dcbaMD57open access2021cárdenasjacson12021cárdenasjacson1IM Thumbnailimage/jpeg6278https://repository.usta.edu.co/bitstream/11634/35500/10/2021c%c3%a1rdenasjacson17d065816f3ec71f7b0b0418326e38936MD510metadata only access2021cartaaprobaciónfacultad2021cartaaprobaciónfacultadIM Thumbnailimage/jpeg9595https://repository.usta.edu.co/bitstream/11634/35500/8/2021cartaaprobaci%c3%b3nfacultadada0beb63e4e59f51c419975a1e786c3MD58metadata only access2021cartaderechosautor2021cartaderechosautorIM Thumbnailimage/jpeg10660https://repository.usta.edu.co/bitstream/11634/35500/9/2021cartaderechosautoref7f16ed07247c5c61681f15a4330c58MD59metadata only access2021cárdenasjacson.jpg2021cárdenasjacson.jpgIM Thumbnailimage/jpeg9128https://repository.usta.edu.co/bitstream/11634/35500/11/2021c%c3%a1rdenasjacson.jpgba25926187e24053a0275ddb4289dcbaMD511open access2021cárdenasjacson1.jpg2021cárdenasjacson1.jpgIM Thumbnailimage/jpeg6278https://repository.usta.edu.co/bitstream/11634/35500/12/2021c%c3%a1rdenasjacson1.jpg7d065816f3ec71f7b0b0418326e38936MD512open access2021cartaaprobaciónfacultad.jpg2021cartaaprobaciónfacultad.jpgIM Thumbnailimage/jpeg9595https://repository.usta.edu.co/bitstream/11634/35500/13/2021cartaaprobaci%c3%b3nfacultad.jpgada0beb63e4e59f51c419975a1e786c3MD513open access2021cartaderechosautor.jpg2021cartaderechosautor.jpgIM Thumbnailimage/jpeg10660https://repository.usta.edu.co/bitstream/11634/35500/14/2021cartaderechosautor.jpgef7f16ed07247c5c61681f15a4330c58MD514open accessLICENSElicense.txtlicense.txttext/plain; charset=utf-8807https://repository.usta.edu.co/bitstream/11634/35500/6/license.txtaedeaf396fcd827b537c73d23464fc27MD56open accessCC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8811https://repository.usta.edu.co/bitstream/11634/35500/5/license_rdf217700a34da79ed616c2feb68d4c5e06MD55open accessORIGINAL2021cárdenasjacson2021cárdenasjacsonapplication/pdf656422https://repository.usta.edu.co/bitstream/11634/35500/1/2021c%c3%a1rdenasjacson04596986003e48e36ccf7c5bd67e6e38MD51open access2021cárdenasjacson12021cárdenasjacson1application/pdf2604718https://repository.usta.edu.co/bitstream/11634/35500/4/2021c%c3%a1rdenasjacson12ae951123e6fb788003ad645c947ff2cMD54metadata only access2021cartaaprobaciónfacultad2021cartaaprobaciónfacultadapplication/pdf127403https://repository.usta.edu.co/bitstream/11634/35500/2/2021cartaaprobaci%c3%b3nfacultadb4520d25e9dd1f6514b6cbb791c8dc1cMD52metadata only access2021cartaderechosautor2021cartaderechosautorapplication/pdf189216https://repository.usta.edu.co/bitstream/11634/35500/3/2021cartaderechosautor690928058d1412499d463c6a1426678aMD53metadata only access11634/35500oai:repository.usta.edu.co:11634/355002024-12-06 03:35:40.721open accessRepositorio Universidad Santo Tomásrepositorio@usta.edu.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

Construcción de una Base de Datos de Frutas Cítricas A Partir del Aumento de Datos para un Modelo de Clasificación con Aprendizaje Profundo

Publicaciones similares