Grado en Ingeniería de Organización Industrial (E.P.S. Jaén)
URI permanente para esta colecciónhttps://hdl.handle.net/10953.1/321
Examinar
Examinando Grado en Ingeniería de Organización Industrial (E.P.S. Jaén) por Materia "1203.04"
Mostrando 1 - 2 de 2
- Resultados por página
- Opciones de ordenación
Ítem Detección de daños en aceitunas de mesa mediante técnicas no invasivas(Jaén: Universidad de Jaén, 2024-07-09) Garrido Martos, Manuel; Silvia María Satorres Martínez; Diego Manuel Martínez Gila; Universidad de Jaén. Ingeniería Electrónica y AutomáticaEste trabajo se centra en la implementación de la visión hiperespectral como herramienta avanzada para la detección de daños en aceitunas de mesa, destacando su superioridad sobre las cámaras tradicionales. La tecnología hiperespectral captura información a lo largo de un amplio rango de longitudes de onda, incluyendo el espectro visible e invisible al ojo humano, permitiendo identificar características intrínsecas no detectables con cámaras convencionales. Esto es especialmente relevante en aceitunas, donde los daños internos o sutiles alteraciones en la superficie pueden no ser visibles a simple vista. Se diseñó un setup experimental con una cámara hiperespectral para analizar muestras en forma de hipercubos, buscando patrones espectrales asociados a diferentes tipos de daños. Usando técnicas avanzadas de procesamiento de imágenes y análisis de datos con MATLAB, se identificaron indicadores espectrales clave y se desarrolló un modelo para evaluar los daños de manera efectiva.Ítem Evaluación de técnicas de aprendizaje profundo para la detección de productos fitosanitarios en la industria del olivar(Jaén: Universidad de Jaén, 2024-12-05) Fernández Ruiz, María Cristina; Silvia Satorres Martínez; Diego Manuel Martínez Gila; Universidad de Jaén. Ingeniería Electrónica y AutomáticaEl objetivo del TFM es estudiar la capacidad de los métodos de aprendizaje profundo para la clasificar tipos y niveles de concentración de fitosanitarios a partir de imágenes hiperespectrales de aceitunas y hojas. Para ello, primero se obtuvieron las áreas de interés para aceitunas y hojas mediante segmentación semántica y umbralización, respectivamente. A continuación, se implementó una red neuronal convolucional 1D (CNN-1D) con la que se clasificaron las imágenes obteniendo exactitudes superiores al 90%, sobre todo en la clasificación por niveles, en algunos casos tras optimizar la red. Los resultados se compararon con los obtenidos con métodos de aprendizaje automático, siendo los resultados también ajustados, aunque ligeramente inferiores en general a los de la red CNN-1D. Adicionalmente, se han aplicado métodos de selección de características, obteniendo bandas con significación física que permiten disminuir la cantidad de datos. Se comprueba así la utilidad de estas técnicas, como método no invasivo para detectar fitosanitarios en las aceitunas y hojas.