Detección y conteo de piñas de pino en la especie arbórea Pinus Pinea mediante modelos de redes neuronales profundas utilizando imágenes RGB

Este proyecto propone diseñar una solución al conteo de piñas del Pino Piñonero Pinus Pinea utilizando técnicas de deep learning. La base de datos contiene fotografías RGB adquiridas desde suelo, en cultivos del Centro Tecnológico Forestal de Cataluña (CTFC). Esta investigación utiliza herramientas...

Full description

Autores:
Gómez de la Barrera, Vanesa Valentina
Cortes Cabrera, Santiago
Tipo de recurso:
Trabajo de grado de pregrado
Fecha de publicación:
2022
Institución:
Universidad de Ibagué
Repositorio:
Repositorio Universidad de Ibagué
Idioma:
spa
OAI Identifier:
oai:repositorio.unibague.edu.co:20.500.12313/4779
Acceso en línea:
https://hdl.handle.net/20.500.12313/4779
Palabra clave:
Piña de pino - Detección - Imágenes RGB
Piña de pino - Conteo - Imágenes RGB
Piña de pino - Etiquetado
Aprendizaje profundo
Detección automática
Etiquetado manual
Pinus pinea
Transferencia de aprendizaje
Deep learning
Automatic detection
Manual labeling
Pinus Pinea
Transfer learning
Rights
openAccess
License
http://purl.org/coar/access_right/c_abf2
id UNIBAGUE2_7a418aa1edc3bd7835e3bfccc7092b0e
oai_identifier_str oai:repositorio.unibague.edu.co:20.500.12313/4779
network_acronym_str UNIBAGUE2
network_name_str Repositorio Universidad de Ibagué
repository_id_str
dc.title.spa.fl_str_mv Detección y conteo de piñas de pino en la especie arbórea Pinus Pinea mediante modelos de redes neuronales profundas utilizando imágenes RGB
title Detección y conteo de piñas de pino en la especie arbórea Pinus Pinea mediante modelos de redes neuronales profundas utilizando imágenes RGB
spellingShingle Detección y conteo de piñas de pino en la especie arbórea Pinus Pinea mediante modelos de redes neuronales profundas utilizando imágenes RGB
Piña de pino - Detección - Imágenes RGB
Piña de pino - Conteo - Imágenes RGB
Piña de pino - Etiquetado
Aprendizaje profundo
Detección automática
Etiquetado manual
Pinus pinea
Transferencia de aprendizaje
Deep learning
Automatic detection
Manual labeling
Pinus Pinea
Transfer learning
title_short Detección y conteo de piñas de pino en la especie arbórea Pinus Pinea mediante modelos de redes neuronales profundas utilizando imágenes RGB
title_full Detección y conteo de piñas de pino en la especie arbórea Pinus Pinea mediante modelos de redes neuronales profundas utilizando imágenes RGB
title_fullStr Detección y conteo de piñas de pino en la especie arbórea Pinus Pinea mediante modelos de redes neuronales profundas utilizando imágenes RGB
title_full_unstemmed Detección y conteo de piñas de pino en la especie arbórea Pinus Pinea mediante modelos de redes neuronales profundas utilizando imágenes RGB
title_sort Detección y conteo de piñas de pino en la especie arbórea Pinus Pinea mediante modelos de redes neuronales profundas utilizando imágenes RGB
dc.creator.fl_str_mv Gómez de la Barrera, Vanesa Valentina
Cortes Cabrera, Santiago
dc.contributor.advisor.none.fl_str_mv Hernández López, Jorge Armando
Kefauver, Shawn C
dc.contributor.author.none.fl_str_mv Gómez de la Barrera, Vanesa Valentina
Cortes Cabrera, Santiago
dc.subject.armarc.none.fl_str_mv Piña de pino - Detección - Imágenes RGB
Piña de pino - Conteo - Imágenes RGB
Piña de pino - Etiquetado
topic Piña de pino - Detección - Imágenes RGB
Piña de pino - Conteo - Imágenes RGB
Piña de pino - Etiquetado
Aprendizaje profundo
Detección automática
Etiquetado manual
Pinus pinea
Transferencia de aprendizaje
Deep learning
Automatic detection
Manual labeling
Pinus Pinea
Transfer learning
dc.subject.proposal.spa.fl_str_mv Aprendizaje profundo
Detección automática
Etiquetado manual
Pinus pinea
Transferencia de aprendizaje
dc.subject.proposal.eng.fl_str_mv Deep learning
Automatic detection
Manual labeling
Pinus Pinea
Transfer learning
description Este proyecto propone diseñar una solución al conteo de piñas del Pino Piñonero Pinus Pinea utilizando técnicas de deep learning. La base de datos contiene fotografías RGB adquiridas desde suelo, en cultivos del Centro Tecnológico Forestal de Cataluña (CTFC). Esta investigación utiliza herramientas como Labelbox para el etiquetado de imágenes, frameworks para la implementación de redes neuronales y herramientas de desarrollo para aprendizaje de máquina. Dos detectores fueron implementados y comparados, el detector de una etapa YOLOv5 y el detector de dos etapas Detectron2, su comportamiento y rendimiento fue evaluado utilizando como métrica principal el F1 score. Aunque los resultados son similares YOLOv5 destaca por su velocidad de procesamiento con un F1 score del 83,33%. Por su parte, Detectron2 con un F1 score de 79,22%, sobresale por su capacidad de detectar piñas visualmente difíciles de encontrar dentro de la imagen.
publishDate 2022
dc.date.issued.none.fl_str_mv 2022
dc.date.accessioned.none.fl_str_mv 2025-03-05T20:15:55Z
dc.date.available.none.fl_str_mv 2025-03-05T20:15:55Z
dc.type.none.fl_str_mv Trabajo de grado - Pregrado
dc.type.coar.none.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
dc.type.content.none.fl_str_mv Text
dc.type.driver.none.fl_str_mv info:eu-repo/semantics/bachelorThesis
dc.type.redcol.none.fl_str_mv http://purl.org/redcol/resource_type/TP
dc.type.version.none.fl_str_mv info:eu-repo/semantics/acceptedVersion
format http://purl.org/coar/resource_type/c_7a1f
status_str acceptedVersion
dc.identifier.citation.none.fl_str_mv Gómez de la Barrera, V. V. & Cortes Cabrera, S. (2022). Detección y conteo de piñas de pino en la especie arbórea Pinus Pinea mediante modelos de redes neuronales profundas utilizando imágenes RGB. [Trabajo de grado, Universidad de Ibagué]. https://hdl.handle.net/20.500.12313/4779
dc.identifier.uri.none.fl_str_mv https://hdl.handle.net/20.500.12313/4779
identifier_str_mv Gómez de la Barrera, V. V. & Cortes Cabrera, S. (2022). Detección y conteo de piñas de pino en la especie arbórea Pinus Pinea mediante modelos de redes neuronales profundas utilizando imágenes RGB. [Trabajo de grado, Universidad de Ibagué]. https://hdl.handle.net/20.500.12313/4779
url https://hdl.handle.net/20.500.12313/4779
dc.language.iso.none.fl_str_mv spa
language spa
dc.relation.references.none.fl_str_mv Muñoz, C. Delard, C. lopez, M. Toral, y E. Urquieta, «Monografía de pino piñonero Pinus pinea», Santiago, Chile, 1998. [En línea]. Disponible en: https://doi.org/10.52904/20.500.12220/645
I. Forestal (Chile), Un nuevo cultivo para Chile el Pino piñonero (Pinus pinea l.). INFOR, 2012. [En línea]. Disponible en: http://bibliotecadigital.ciren.cl//handle/123456789/23352
M. Ferriol Molina, «El pino piñonero (Pinus pinea L.)», 2021, [En línea]. Disponible en: http://hdl.handle.net/10251/168576 [4] «Piñones ¿Que es? Origen, Beneficios, Tipos, Valor Nutricional y más.», 30 de diciembre de 2019. https://bolcereales.com.ar/alimentacion/los-pinones/
Eli-Chukwu, «Applications of Artificial Intelligence in Agriculture: A Review», vol. 9, n.o 4, 2019.
«Centro Tecnológico Forestal de Cataluña | Cesefor». http://www.cesefor.com/cliente/centro-tecnologico-forestal-de-cataluna (accedido 11 de noviembre de 2021).
S. Carlisle Kefauver, J. Araus, y J. A. Fernández Gallego, «Proof of concept of the direct quantification of the production of pinecones through remote sensors», Final Report, 2020.
E. E. Nithila y S. S. Kumar, «Automatic detection of solitary pulmonary nodules using swarm intelligence optimized neural networks on CT images», Eng. Sci. Technol. Int. J., vol. 20, n.o 3, pp. 1192-1202, jun. 2017, doi: 10.1016/j.jestch.2016.12.006.
K. Tan, W. S. Lee, H. Gan, y S. Wang, «Recognising blueberry fruit of different maturity using histogram oriented gradients and colour features in outdoor scenes», Biosyst. Eng., vol. 176, pp. 59-72, dic. 2018, doi: 10.1016/j.biosystemseng.2018.08.011.
«Piñones ¿Que es? Origen, Beneficios, Tipos, Valor Nutricional y más.», 30 de diciembre de 2019. https://bolcereales.com.ar/alimentacion/los-pinones/
Y. Yu, K. Zhang, L. Yang, y D. Zhang, «Fruit detection for strawberry harvesting robot in non-structural environment based on Mask-RCNN», Comput. Electron. Agric., vol. 163, p. 104846, ago. 2019, doi: 10.1016/j.compag.2019.06.001.
«Faster R–CNN–based apple detection in dense-foliage fruiting-wall trees using RGB and depth features for robotic harvesting», Biosyst. Eng., vol. 197, pp. 245- 256, sep. 2020, doi: 10.1016/j.biosystemseng.2020.07.007.
C. C. Salazar Salazar, «Modelo para la clasificación del aguacate Hass en sus estados comerciales y de exportación, mediante el uso de redes neuronales convolucionales», Master, Universidad tecnica de pereira, Pereira, 2020. [En línea]. Disponible en: https://repositorio.utp.edu.co/server/api/core/bitstreams/e50bc804-f144-4397- 8d21-66cbebe6f541/content
D. Wang y D. He, «Channel pruned YOLO V5s-based deep learning approach for rapid and accurate apple fruitlet detection before fruit thinning», Biosyst. Eng., vol. 210, pp. 271-281, oct. 2021, doi: 10.1016/j.biosystemseng.2021.08.015.
J. A. Brenes, A. Martínez, C. Quesada-López, y Jenkins Marcelo, «Sistemas de apoyo a la toma de decisiones que usan inteligencia artificial en la agricultura de precisión: un mapeo sistemático de literatura», 2020.
«Centro Tecnológico Forestal de Cataluña», Los diccionarios y las enciclopedias sobre el Académico, 2010. https://es-academic.com/dic.nsf/eswiki/245999
C. Delard R et al., «Producción combinada de piñones de Pino piñonero (Pinus pinea L.) y Trufa de borch (Tuber borchii Vittad.)», 2020.
«El pino piñonero (Pinus pinea L.) en Andalucía : Ecología, distribución y selvicultura - Publicaciones - Junta de Andalucía». https://www.juntadeandalucia.es/servicios/publicaciones/detalle/45543.html
K. Ellis, «Las piñas de los pinos». https://www.ehowenespanol.com/pinas-pinos- sobre_108003/
M. Idžojtić, «9 - Maclura – Pinus», pp. 415-493, 2019, doi: 10.1016/B978-0-12- 819644-1.50015-X.
F. J. G. Alonso, «El uso del pino piñonero en sistemas agroforestales», p. 34.
«Procesamiento de Imágenes Color». [En línea]. Disponible en: https://www.fceia.unr.edu.ar/dip/Procesamiento_de_Imagenes_Color.pdf
L. Rouhiainen, Inteligencia artificial 101 cosas que debes saber hoy sobre nuestro futuro. España: Editorial Planeta S.A, 2018. [En línea]. Disponible en: https://static0planetadelibroscom.cdnstatics.com/libros_contenido_extra/40/39308 _Inteligencia_artificial.pdf
D. Sànchez, «Ventajas del Machine Learning y Deep Learning para la visión artificial», INFAIMON, 13 de noviembre de 2019. https://infaimon.com/blog/smart- factory/machine-learning-deep-learning/
Z.-H. Zhou y S. Liu, Machine learning, 1.a ed. Nanjing jiangsu. [En línea]. Disponible en: https://doi.org/10.1007/978-981-15-1967-3
A. T. Norman, Aprendizaje Automático En Acción. 2019.
B. Martín del Brío y C. Serrano Cinca, «Fundamentos de las redes neuronales artificiales: hardware y software».
R. Delgado, «RPubs - Introducción a la Redes Neuronales Artificiales en R», 2018. https://rpubs.com/rdelgado/402754
IBM, «What are Neural Networks?», 3 de agosto de 2021. https://www.ibm.com/cloud/learn/neural-networks
H. Galán y A. Martinez, «Inteligencia artificial.Redes neuronales y aplicaciones». [En línea]. Disponible en: http://www.it.uc3m.es/jvillena/irc/practicas/10- 11/06mem.pdf
C. Sager, C. Janiesch, y P. Zschech, «A survey of image labelling for computer vision applications», vol. 4, n.o 2, 2021, doi: https://doi.org/10.1080/2573234X.2021.1908861.
© 2018-2022 Shaip | Reservados todos los derechos, «Anotación y etiquetado de imágenes para visión artificial». https://es.shaip.com/blog/image-annotation-for- computer-vision/
B. Rieger, D. Rasmuson, y M. Sharma, «Labelbox». 2017.
«Labelbox: The training data platform for AI teams». https://labelbox.com/product/platform
Z. Zou, S. Zhenwei, Y. Guo, y J. Ye, «Object Detection in 20 Years: A Survey», 2019, doi: https://doi.org/10.48550/arXiv.1905.05055.
«What Is Object Detection?» https://www.mathworks.com/discovery/object- detection.html
S. Hespeler, H. Nemati, y E. Dehghan-Niri, «Non-destructive thermal imaging for object detection via advanced deep learning for robotic inspection and harvesting of chili peppers», Artif. Intell. Agric., vol. 5, may 2021, doi: 10.1016/j.aiia.2021.05.003.
MathWorks, «Getting Started with R-CNN, Fast R-CNN, and Faster R-CNN - MATLAB & Simulink». https://www.mathworks.com/help/vision/ug/getting-started- with-r-cnn-fast-r-cnn-and-faster-r-cnn.html
P. Sharma, «A Step-by-Step Introduction to the Basic Object Detection Algorithms (Part 1)», https://www.analyticsvidhya.com/. https://www.analyticsvidhya.com/blog/2018/10/a-step-by-step-introduction-to-the- basic-object-detection-algorithms-part-1/
H. Kaiming, X. Zhang, R. Shaoqing, y S. Jian, «Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition», [En línea]. Disponible en: https://arxiv.org/pdf/1406.4729.pdf
R. Girshick, «Fast R-CNN», IEEE, 2015, doi: 10.1109/ICCV.2015.169.
R. Gavrilescu, C. Zet, C. Foșalău, M. Skoczylas, y D. Cotovanu, «Faster R- CNN:an Approach to Real-Time Object Detection», 2018, doi: 10.1109/ICEPE.2018.8559776.
Towards Data Science, «Faster R-CNN for object detection», 2019. https://towardsdatascience.com
R. Girshick, I. Radosavovic, G. Gkioxari, y P. Doll, «Detectron». Facebook AI Research’s, 2018. [En línea]. Disponible en: https://github.com/facebookresearch/Detectron
Y. Wu, A. Kirillov, F. Massa, W. -yen, y R. Girshick, «Dectron2». Facebook AI Research’s, 2019. [En línea]. Disponible en: https://github.com/facebookresearch/detectron2
E. A, «Detección de objetos con YOLO: implementaciones y como usarlas», Medium, 9 de septiembre de 2018. https://medium.com/
J. Redmon, S. Divvala, R. Girshick, y A. Farhadi, «You Only Look Once: Unified, Real-Time Object Detection», arXiv, arXiv:1506.02640, may 2016. doi: 10.48550/arXiv.1506.02640.
O.-O. D. Science, «Overview of the YOLO Object Detection Algorithm», Medium, 25 de septiembre de 2018.
S.-H. Tsang, «Review: YOLOv1 — You Only Look Once (Object Detection)», Medium, 20 de marzo de 2019. https://towardsdatascience.com/yolov1-you-only- look-once-object-detection-e1f3ffec8a89
J. Redmon y A. Farhadi, «YOLO9000: Better, Faster, Stronger». 25 de diciembre de 2016. doi: 10.1109/CVPR.2017.690.
J. Redmon y A. Farhadi, «YOLOv3: An Incremental Improvement». 8 de abril de 2018. doi: https://doi.org/10.48550/arXiv.1804.02767.
A. Bochkovskiy, C.-Y. Wang, y H.-Y. M. Liao, «YOLOv4: Optimal Speed and Accuracy of Object Detection». arXiv, 22 de abril de 2020. [En línea]. Disponible en: http://arxiv.org/abs/2004.10934
J. M. Sierra Ramos, «Introducción a las redes neuronales artificiales», Universidad complutense de madrid, 2022.
T. A. Team, «YOLO V5 — Explained and Demystified – Towards AI». https://towardsai.net/p/computer-vision/yolo-v5%e2%80%8a- %e2%80%8aexplained-and-demystified
A. Vannieuwenhuyze, Inteligencia artificial fácil - Machine Learning y Deep Learning prácticos - Funciones de pérdida (Loss function) | Editiones ENI.
T. A. Team, «YOLO V5: explicado y desmitificado: hacia la IA». https://towardsai.net/p/computer-vision/yolo-v5%e2%80%8a- %e2%80%8aexplained-and-demystified
D. Dlužnevskij, P. Stefanovič, y S. Ramanauskaitė, «Investigation of YOLOv5 Efficiency in iPhone Supported Systems», Balt. J. Mod. Comput., vol. 9, ene. 2021, doi: 10.22364/bjmc.2021.9.3.07.
«ultralytics/yolov5». Ultralytics, 28 de junio de 2022. [En línea]. Disponible en: https://github.com/ultralytics/yolov5
C. A. Flores Jara, «Extracción de Información en EMR para la Identificación de Obesidad mediante el Estudio de Comorbilidades Asociadas», Informe de Memoria de Título, Universidad de Concepción, Concepción, 2015. [En línea]. Disponible en: http://repositorio.udec.cl/bitstream/11594/1954/3/Tesis_Extraccion_de_Informacio n_en_EMR_para_la_Identificacion_de_Obesidad.pdf
E. T. Arias Zuluaga, «Desarrollo de un modelo predictivo con inteligencia artificial para establecer clasificación ASA a pacientes en una consulta preanestésica.», Universidad de Antioquia, Medellín, Colombia, 2020. [En línea]. Disponible en: https://bibliotecadigital.udea.edu.co/bitstream/10495/15251/1/AriasErika_2020_De sarrolloModeloPredictivo.pdf
Michael Maire, Tsung-Yi Lin, y Lubomir Bourdev, «COCO common objects in context», doi: https://doi.org/10.48550/arXiv.1405.0312.
Gaudenz Boesch, «Object Detection in 2022: The Definitive Guide», 2022. https://viso.ai/deep-learning/object-detection/
«YOLO: Real-Time Object Detection Explained». https://www.v7labs.com/blog/yolo-object-detection
«API documentation detectron». Copyright 2019-2020, detectron2 contributors Revision 224cd231. [En línea]. Disponible en: https://detectron2.readthedocs.io/en/latest/modules/data.html
«Detectron2 ModelZoo». Facebook AI Research’s, 2019. [En línea]. Disponible en: https://github.com/facebookresearch/detectron2/blob/main/MODEL_ZOO.md
«detectron2 configs COCO-Detection/». Facebook AI Research’s, 2019. [En línea]. Disponible en: https://github.com/facebookresearch/detectron2/tree/main/configs/COCO- Detection
D. Randal Wilson y T. R. Martinez, «The need for small learning rates on large problems», 2001, doi: 10.1109/IJCNN.2001.939002.
R. A. Disha y S. Waheed, «Performance analysis of machine learning models for intrusion detection system using Gini Impurity-based Weighted Random Forest (GIWRF) feature selection technique», Cybersecurity, vol. 5, n.o 1, p. 1, dic. 2022, doi: 10.1186/s42400-021-00103-8.
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
dc.rights.license.none.fl_str_mv Atribución-NoComercial 4.0 Internacional (CC BY-NC 4.0)
dc.rights.uri.none.fl_str_mv https://creativecommons.org/licenses/by-nc/4.0/
eu_rights_str_mv openAccess
rights_invalid_str_mv http://purl.org/coar/access_right/c_abf2
Atribución-NoComercial 4.0 Internacional (CC BY-NC 4.0)
https://creativecommons.org/licenses/by-nc/4.0/
dc.format.extent.none.fl_str_mv 75 páginas
dc.format.mimetype.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidad de Ibagué
dc.publisher.faculty.none.fl_str_mv Ingeniería
dc.publisher.place.none.fl_str_mv Ibagué
dc.publisher.program.none.fl_str_mv Ingeniería Electrónica
publisher.none.fl_str_mv Universidad de Ibagué
institution Universidad de Ibagué
bitstream.url.fl_str_mv https://repositorio.unibague.edu.co/bitstreams/f7a3561a-9adb-448b-be82-fdff7a74692a/download
https://repositorio.unibague.edu.co/bitstreams/7c12e100-8c5f-4864-b261-2f32d7b6bee4/download
https://repositorio.unibague.edu.co/bitstreams/108cf229-f854-44f8-b675-3cb46d8331c9/download
https://repositorio.unibague.edu.co/bitstreams/79c9b20d-8092-4684-8d5c-345cedc9e088/download
https://repositorio.unibague.edu.co/bitstreams/85aef0b3-824d-47a9-9224-c43a7d574a3e/download
https://repositorio.unibague.edu.co/bitstreams/d8ef3956-6566-481c-b841-ce8a0d3d2bb2/download
https://repositorio.unibague.edu.co/bitstreams/05d05518-6839-43de-bef4-9f8608d3a652/download
https://repositorio.unibague.edu.co/bitstreams/e824a79a-f5ca-4b9d-b7dc-e7832345c486/download
bitstream.checksum.fl_str_mv a13fbee7a01287927d11ac39dbfe0d81
a0622ecde71520c2f29041ab43d6255d
0386be66d1a4bc46ba9f10b113ae18b2
2fa3e590786b9c0f3ceba1b9656b7ac3
fcf27c973f4f6171537a85f2eab5c055
b6f7dfd68b2a9043e291af5e82c69ddd
e2061c9ff206a233b8d42e12cc78f545
7b3b7852a1e2b2e0c7f74557fdea6796
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Institucional Universidad de Ibagué
repository.mail.fl_str_mv bdigital@metabiblioteca.com
_version_ 1851059954615582720
spelling Hernández López, Jorge Armandoe4047159-55ec-4711-a590-bef079da2368600Kefauver, Shawn C032a6aa9-3d29-46ab-abf6-daa67c7e405e-1Gómez de la Barrera, Vanesa Valentina13e3ebb2-2e69-4087-b07d-0d90c87eaa90-1Cortes Cabrera, Santiago0fc55c9e-d7c1-4b8e-ad42-b881e5beacf7-12025-03-05T20:15:55Z2025-03-05T20:15:55Z2022Este proyecto propone diseñar una solución al conteo de piñas del Pino Piñonero Pinus Pinea utilizando técnicas de deep learning. La base de datos contiene fotografías RGB adquiridas desde suelo, en cultivos del Centro Tecnológico Forestal de Cataluña (CTFC). Esta investigación utiliza herramientas como Labelbox para el etiquetado de imágenes, frameworks para la implementación de redes neuronales y herramientas de desarrollo para aprendizaje de máquina. Dos detectores fueron implementados y comparados, el detector de una etapa YOLOv5 y el detector de dos etapas Detectron2, su comportamiento y rendimiento fue evaluado utilizando como métrica principal el F1 score. Aunque los resultados son similares YOLOv5 destaca por su velocidad de procesamiento con un F1 score del 83,33%. Por su parte, Detectron2 con un F1 score de 79,22%, sobresale por su capacidad de detectar piñas visualmente difíciles de encontrar dentro de la imagen.This project proposes to design a solution for pinecone counting of Pinus Pinea using deep learning techniques. The database contains RGB photographs acquired from the ground, in crops of the Forestry Technology Center of Catalonia (CTFC). This research uses tools such as Labelbox for image labeling, frameworks for the implementation of neural networks and development tools for machine learning. Two detectors were implemented and compared, the one-stage detector YOLOv5 and the two-stage detector Detectron2. Their behavior and performance were evaluated using as main metric the F1 score. Although the results are similar, YOLOv5 stands out for its processing speed with an F1 score of 83.33%. On other hand, Detectron2 with an F1 score of 79.22%, stands out for its ability to detect pinecones visually difficult to find within the image.PregradoIngeniera ElectrónicaAgradecimientos.....4 Resumen.....5 Contenido.....6 Lista de Figuras.....9 Lista de Tablas.....12 Lista de Símbolos y abreviaturas.....13 Introducción.....1 1. Generalidades: Detección y conteo de piñas.....4 1.1 Estado del Arte.....4 1.2 Marco Teórico.....6 1.2.1 Agricultura y Tecnología.....6 1.2.2 CTFC.....6 1.2.3 Pino Piñonero.....6 1.2.4 Piñas.....7 1.2.5 Imágenes RGB.....8 1.2.6 Inteligencia Artificial.....8 1.2.7 Machine Learning.....9 1.2.8 Neural Networks (NN) y Deep Learning (DL).....9 1.2.9 Etiquetado Manual.....10 1.2.10 Labelbox.....12 1.2.11 Detección de Objetos.....12 1.2.12 Evolución de las CNN’s basadas en regiones para la detección de objetos.....15 1.2.13 Detectron2.....18 1.2.14 YOLO.....18 1.2.15 Matriz de confusión.....23 1.3 Descripción del Problema.....25 1.4 Objetivos.....26 1.4.1 Objetivo General.....26 1.4.2 Objetivos Específicos.....26 2. Metodología.....27 2.1 Materiales.....28 2.2 Base de datos.....29 2.2.1 Herramienta de anotación (Labelbox).....30 2.2.2 Transformación base de datos de formato JSON a COCO JSON.....31 2.2.3 Transformación base de datos de Formato JSON a TXT.....31 2.2.4 Partición de la base de datos.....33 2.3 Entrenamiento y validación de las redes neuronales.....34 2.3.1 Implementación del algoritmo Detectron2.....35 2.3.2 Implementación del algoritmo YOLOv5.....38 2.4 Estrategia de visualización del modelo.....40 3. Resultados.....41 3.1 Métricas de evaluación.....45 3.2 Aplicación web del modelo determinado.....49 4. Conclusiones y recomendaciones.....51 4.1 Conclusiones.....51 4.2 Recomendaciones.....53 5. Referencias bibliográficas.....58 6. Anexos.....5875 páginasapplication/pdfGómez de la Barrera, V. V. & Cortes Cabrera, S. (2022). Detección y conteo de piñas de pino en la especie arbórea Pinus Pinea mediante modelos de redes neuronales profundas utilizando imágenes RGB. [Trabajo de grado, Universidad de Ibagué]. https://hdl.handle.net/20.500.12313/4779https://hdl.handle.net/20.500.12313/4779spaUniversidad de IbaguéIngenieríaIbaguéIngeniería ElectrónicaMuñoz, C. Delard, C. lopez, M. Toral, y E. Urquieta, «Monografía de pino piñonero Pinus pinea», Santiago, Chile, 1998. [En línea]. Disponible en: https://doi.org/10.52904/20.500.12220/645I. Forestal (Chile), Un nuevo cultivo para Chile el Pino piñonero (Pinus pinea l.). INFOR, 2012. [En línea]. Disponible en: http://bibliotecadigital.ciren.cl//handle/123456789/23352M. Ferriol Molina, «El pino piñonero (Pinus pinea L.)», 2021, [En línea]. Disponible en: http://hdl.handle.net/10251/168576 [4] «Piñones ¿Que es? Origen, Beneficios, Tipos, Valor Nutricional y más.», 30 de diciembre de 2019. https://bolcereales.com.ar/alimentacion/los-pinones/Eli-Chukwu, «Applications of Artificial Intelligence in Agriculture: A Review», vol. 9, n.o 4, 2019.«Centro Tecnológico Forestal de Cataluña | Cesefor». http://www.cesefor.com/cliente/centro-tecnologico-forestal-de-cataluna (accedido 11 de noviembre de 2021).S. Carlisle Kefauver, J. Araus, y J. A. Fernández Gallego, «Proof of concept of the direct quantification of the production of pinecones through remote sensors», Final Report, 2020.E. E. Nithila y S. S. Kumar, «Automatic detection of solitary pulmonary nodules using swarm intelligence optimized neural networks on CT images», Eng. Sci. Technol. Int. J., vol. 20, n.o 3, pp. 1192-1202, jun. 2017, doi: 10.1016/j.jestch.2016.12.006.K. Tan, W. S. Lee, H. Gan, y S. Wang, «Recognising blueberry fruit of different maturity using histogram oriented gradients and colour features in outdoor scenes», Biosyst. Eng., vol. 176, pp. 59-72, dic. 2018, doi: 10.1016/j.biosystemseng.2018.08.011.«Piñones ¿Que es? Origen, Beneficios, Tipos, Valor Nutricional y más.», 30 de diciembre de 2019. https://bolcereales.com.ar/alimentacion/los-pinones/Y. Yu, K. Zhang, L. Yang, y D. Zhang, «Fruit detection for strawberry harvesting robot in non-structural environment based on Mask-RCNN», Comput. Electron. Agric., vol. 163, p. 104846, ago. 2019, doi: 10.1016/j.compag.2019.06.001.«Faster R–CNN–based apple detection in dense-foliage fruiting-wall trees using RGB and depth features for robotic harvesting», Biosyst. Eng., vol. 197, pp. 245- 256, sep. 2020, doi: 10.1016/j.biosystemseng.2020.07.007.C. C. Salazar Salazar, «Modelo para la clasificación del aguacate Hass en sus estados comerciales y de exportación, mediante el uso de redes neuronales convolucionales», Master, Universidad tecnica de pereira, Pereira, 2020. [En línea]. Disponible en: https://repositorio.utp.edu.co/server/api/core/bitstreams/e50bc804-f144-4397- 8d21-66cbebe6f541/contentD. Wang y D. He, «Channel pruned YOLO V5s-based deep learning approach for rapid and accurate apple fruitlet detection before fruit thinning», Biosyst. Eng., vol. 210, pp. 271-281, oct. 2021, doi: 10.1016/j.biosystemseng.2021.08.015.J. A. Brenes, A. Martínez, C. Quesada-López, y Jenkins Marcelo, «Sistemas de apoyo a la toma de decisiones que usan inteligencia artificial en la agricultura de precisión: un mapeo sistemático de literatura», 2020.«Centro Tecnológico Forestal de Cataluña», Los diccionarios y las enciclopedias sobre el Académico, 2010. https://es-academic.com/dic.nsf/eswiki/245999C. Delard R et al., «Producción combinada de piñones de Pino piñonero (Pinus pinea L.) y Trufa de borch (Tuber borchii Vittad.)», 2020.«El pino piñonero (Pinus pinea L.) en Andalucía : Ecología, distribución y selvicultura - Publicaciones - Junta de Andalucía». https://www.juntadeandalucia.es/servicios/publicaciones/detalle/45543.htmlK. Ellis, «Las piñas de los pinos». https://www.ehowenespanol.com/pinas-pinos- sobre_108003/M. Idžojtić, «9 - Maclura – Pinus», pp. 415-493, 2019, doi: 10.1016/B978-0-12- 819644-1.50015-X.F. J. G. Alonso, «El uso del pino piñonero en sistemas agroforestales», p. 34.«Procesamiento de Imágenes Color». [En línea]. Disponible en: https://www.fceia.unr.edu.ar/dip/Procesamiento_de_Imagenes_Color.pdfL. Rouhiainen, Inteligencia artificial 101 cosas que debes saber hoy sobre nuestro futuro. España: Editorial Planeta S.A, 2018. [En línea]. Disponible en: https://static0planetadelibroscom.cdnstatics.com/libros_contenido_extra/40/39308 _Inteligencia_artificial.pdfD. Sànchez, «Ventajas del Machine Learning y Deep Learning para la visión artificial», INFAIMON, 13 de noviembre de 2019. https://infaimon.com/blog/smart- factory/machine-learning-deep-learning/Z.-H. Zhou y S. Liu, Machine learning, 1.a ed. Nanjing jiangsu. [En línea]. Disponible en: https://doi.org/10.1007/978-981-15-1967-3A. T. Norman, Aprendizaje Automático En Acción. 2019.B. Martín del Brío y C. Serrano Cinca, «Fundamentos de las redes neuronales artificiales: hardware y software».R. Delgado, «RPubs - Introducción a la Redes Neuronales Artificiales en R», 2018. https://rpubs.com/rdelgado/402754IBM, «What are Neural Networks?», 3 de agosto de 2021. https://www.ibm.com/cloud/learn/neural-networksH. Galán y A. Martinez, «Inteligencia artificial.Redes neuronales y aplicaciones». [En línea]. Disponible en: http://www.it.uc3m.es/jvillena/irc/practicas/10- 11/06mem.pdfC. Sager, C. Janiesch, y P. Zschech, «A survey of image labelling for computer vision applications», vol. 4, n.o 2, 2021, doi: https://doi.org/10.1080/2573234X.2021.1908861.© 2018-2022 Shaip | Reservados todos los derechos, «Anotación y etiquetado de imágenes para visión artificial». https://es.shaip.com/blog/image-annotation-for- computer-vision/B. Rieger, D. Rasmuson, y M. Sharma, «Labelbox». 2017.«Labelbox: The training data platform for AI teams». https://labelbox.com/product/platformZ. Zou, S. Zhenwei, Y. Guo, y J. Ye, «Object Detection in 20 Years: A Survey», 2019, doi: https://doi.org/10.48550/arXiv.1905.05055.«What Is Object Detection?» https://www.mathworks.com/discovery/object- detection.htmlS. Hespeler, H. Nemati, y E. Dehghan-Niri, «Non-destructive thermal imaging for object detection via advanced deep learning for robotic inspection and harvesting of chili peppers», Artif. Intell. Agric., vol. 5, may 2021, doi: 10.1016/j.aiia.2021.05.003.MathWorks, «Getting Started with R-CNN, Fast R-CNN, and Faster R-CNN - MATLAB & Simulink». https://www.mathworks.com/help/vision/ug/getting-started- with-r-cnn-fast-r-cnn-and-faster-r-cnn.htmlP. Sharma, «A Step-by-Step Introduction to the Basic Object Detection Algorithms (Part 1)», https://www.analyticsvidhya.com/. https://www.analyticsvidhya.com/blog/2018/10/a-step-by-step-introduction-to-the- basic-object-detection-algorithms-part-1/H. Kaiming, X. Zhang, R. Shaoqing, y S. Jian, «Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition», [En línea]. Disponible en: https://arxiv.org/pdf/1406.4729.pdfR. Girshick, «Fast R-CNN», IEEE, 2015, doi: 10.1109/ICCV.2015.169.R. Gavrilescu, C. Zet, C. Foșalău, M. Skoczylas, y D. Cotovanu, «Faster R- CNN:an Approach to Real-Time Object Detection», 2018, doi: 10.1109/ICEPE.2018.8559776.Towards Data Science, «Faster R-CNN for object detection», 2019. https://towardsdatascience.comR. Girshick, I. Radosavovic, G. Gkioxari, y P. Doll, «Detectron». Facebook AI Research’s, 2018. [En línea]. Disponible en: https://github.com/facebookresearch/DetectronY. Wu, A. Kirillov, F. Massa, W. -yen, y R. Girshick, «Dectron2». Facebook AI Research’s, 2019. [En línea]. Disponible en: https://github.com/facebookresearch/detectron2E. A, «Detección de objetos con YOLO: implementaciones y como usarlas», Medium, 9 de septiembre de 2018. https://medium.com/J. Redmon, S. Divvala, R. Girshick, y A. Farhadi, «You Only Look Once: Unified, Real-Time Object Detection», arXiv, arXiv:1506.02640, may 2016. doi: 10.48550/arXiv.1506.02640.O.-O. D. Science, «Overview of the YOLO Object Detection Algorithm», Medium, 25 de septiembre de 2018.S.-H. Tsang, «Review: YOLOv1 — You Only Look Once (Object Detection)», Medium, 20 de marzo de 2019. https://towardsdatascience.com/yolov1-you-only- look-once-object-detection-e1f3ffec8a89J. Redmon y A. Farhadi, «YOLO9000: Better, Faster, Stronger». 25 de diciembre de 2016. doi: 10.1109/CVPR.2017.690.J. Redmon y A. Farhadi, «YOLOv3: An Incremental Improvement». 8 de abril de 2018. doi: https://doi.org/10.48550/arXiv.1804.02767.A. Bochkovskiy, C.-Y. Wang, y H.-Y. M. Liao, «YOLOv4: Optimal Speed and Accuracy of Object Detection». arXiv, 22 de abril de 2020. [En línea]. Disponible en: http://arxiv.org/abs/2004.10934J. M. Sierra Ramos, «Introducción a las redes neuronales artificiales», Universidad complutense de madrid, 2022.T. A. Team, «YOLO V5 — Explained and Demystified – Towards AI». https://towardsai.net/p/computer-vision/yolo-v5%e2%80%8a- %e2%80%8aexplained-and-demystifiedA. Vannieuwenhuyze, Inteligencia artificial fácil - Machine Learning y Deep Learning prácticos - Funciones de pérdida (Loss function) | Editiones ENI.T. A. Team, «YOLO V5: explicado y desmitificado: hacia la IA». https://towardsai.net/p/computer-vision/yolo-v5%e2%80%8a- %e2%80%8aexplained-and-demystifiedD. Dlužnevskij, P. Stefanovič, y S. Ramanauskaitė, «Investigation of YOLOv5 Efficiency in iPhone Supported Systems», Balt. J. Mod. Comput., vol. 9, ene. 2021, doi: 10.22364/bjmc.2021.9.3.07.«ultralytics/yolov5». Ultralytics, 28 de junio de 2022. [En línea]. Disponible en: https://github.com/ultralytics/yolov5C. A. Flores Jara, «Extracción de Información en EMR para la Identificación de Obesidad mediante el Estudio de Comorbilidades Asociadas», Informe de Memoria de Título, Universidad de Concepción, Concepción, 2015. [En línea]. Disponible en: http://repositorio.udec.cl/bitstream/11594/1954/3/Tesis_Extraccion_de_Informacio n_en_EMR_para_la_Identificacion_de_Obesidad.pdfE. T. Arias Zuluaga, «Desarrollo de un modelo predictivo con inteligencia artificial para establecer clasificación ASA a pacientes en una consulta preanestésica.», Universidad de Antioquia, Medellín, Colombia, 2020. [En línea]. Disponible en: https://bibliotecadigital.udea.edu.co/bitstream/10495/15251/1/AriasErika_2020_De sarrolloModeloPredictivo.pdfMichael Maire, Tsung-Yi Lin, y Lubomir Bourdev, «COCO common objects in context», doi: https://doi.org/10.48550/arXiv.1405.0312.Gaudenz Boesch, «Object Detection in 2022: The Definitive Guide», 2022. https://viso.ai/deep-learning/object-detection/«YOLO: Real-Time Object Detection Explained». https://www.v7labs.com/blog/yolo-object-detection«API documentation detectron». Copyright 2019-2020, detectron2 contributors Revision 224cd231. [En línea]. Disponible en: https://detectron2.readthedocs.io/en/latest/modules/data.html«Detectron2 ModelZoo». Facebook AI Research’s, 2019. [En línea]. Disponible en: https://github.com/facebookresearch/detectron2/blob/main/MODEL_ZOO.md«detectron2 configs COCO-Detection/». Facebook AI Research’s, 2019. [En línea]. Disponible en: https://github.com/facebookresearch/detectron2/tree/main/configs/COCO- DetectionD. Randal Wilson y T. R. Martinez, «The need for small learning rates on large problems», 2001, doi: 10.1109/IJCNN.2001.939002.R. A. Disha y S. Waheed, «Performance analysis of machine learning models for intrusion detection system using Gini Impurity-based Weighted Random Forest (GIWRF) feature selection technique», Cybersecurity, vol. 5, n.o 1, p. 1, dic. 2022, doi: 10.1186/s42400-021-00103-8.info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Atribución-NoComercial 4.0 Internacional (CC BY-NC 4.0)https://creativecommons.org/licenses/by-nc/4.0/Piña de pino - Detección - Imágenes RGBPiña de pino - Conteo - Imágenes RGBPiña de pino - EtiquetadoAprendizaje profundoDetección automáticaEtiquetado manualPinus pineaTransferencia de aprendizajeDeep learningAutomatic detectionManual labelingPinus PineaTransfer learningDetección y conteo de piñas de pino en la especie arbórea Pinus Pinea mediante modelos de redes neuronales profundas utilizando imágenes RGBTrabajo de grado - Pregradohttp://purl.org/coar/resource_type/c_7a1fTextinfo:eu-repo/semantics/bachelorThesishttp://purl.org/redcol/resource_type/TPinfo:eu-repo/semantics/acceptedVersionPublicationORIGINALTrabajo de grado.pdfTrabajo de grado.pdfapplication/pdf3553768https://repositorio.unibague.edu.co/bitstreams/f7a3561a-9adb-448b-be82-fdff7a74692a/downloada13fbee7a01287927d11ac39dbfe0d81MD51Anexos.zipAnexos.zipapplication/zip18118887https://repositorio.unibague.edu.co/bitstreams/7c12e100-8c5f-4864-b261-2f32d7b6bee4/downloada0622ecde71520c2f29041ab43d6255dMD52Formato de autorización.pdfFormato de autorización.pdfapplication/pdf187957https://repositorio.unibague.edu.co/bitstreams/108cf229-f854-44f8-b675-3cb46d8331c9/download0386be66d1a4bc46ba9f10b113ae18b2MD53LICENSElicense.txtlicense.txttext/plain; charset=utf-8134https://repositorio.unibague.edu.co/bitstreams/79c9b20d-8092-4684-8d5c-345cedc9e088/download2fa3e590786b9c0f3ceba1b9656b7ac3MD54TEXTTrabajo de grado.pdf.txtTrabajo de grado.pdf.txtExtracted texttext/plain102002https://repositorio.unibague.edu.co/bitstreams/85aef0b3-824d-47a9-9224-c43a7d574a3e/downloadfcf27c973f4f6171537a85f2eab5c055MD59Formato de autorización.pdf.txtFormato de autorización.pdf.txtExtracted texttext/plain3969https://repositorio.unibague.edu.co/bitstreams/d8ef3956-6566-481c-b841-ce8a0d3d2bb2/downloadb6f7dfd68b2a9043e291af5e82c69dddMD511THUMBNAILTrabajo de grado.pdf.jpgTrabajo de grado.pdf.jpgIM Thumbnailimage/jpeg8236https://repositorio.unibague.edu.co/bitstreams/05d05518-6839-43de-bef4-9f8608d3a652/downloade2061c9ff206a233b8d42e12cc78f545MD510Formato de autorización.pdf.jpgFormato de autorización.pdf.jpgIM Thumbnailimage/jpeg21746https://repositorio.unibague.edu.co/bitstreams/e824a79a-f5ca-4b9d-b7dc-e7832345c486/download7b3b7852a1e2b2e0c7f74557fdea6796MD51220.500.12313/4779oai:repositorio.unibague.edu.co:20.500.12313/47792025-08-13 01:03:27.693https://creativecommons.org/licenses/by-nc/4.0/https://repositorio.unibague.edu.coRepositorio Institucional Universidad de Ibaguébdigital@metabiblioteca.comQ3JlYXRpdmUgQ29tbW9ucyBBdHRyaWJ1dGlvbi1Ob25Db21tZXJjaWFsLU5vRGVyaXZhdGl2ZXMgNC4wIEludGVybmF0aW9uYWwgTGljZW5zZQ0KaHR0cHM6Ly9jcmVhdGl2ZWNvbW1vbnMub3JnL2xpY2Vuc2VzL2J5LW5jLW5kLzQuMC8=

Publicaciones similares