Detección y clasificación de enfermedades en el tomate mediante Deep Learning y Computer Vision

CAPÍTULO 1: INTRODUCCIÓN
1.1 Introducción 
1.2 Justificación 
1.3 Fundamentación del tema elegido 
1.4 Motivación 
1.5 Objetivos 
1.5.1 Objetivos Generales
1.5.2 Objetivos Específicos
1.6 Metodología general de investigación y desarrollo de la tesis 
1.7 Organización de la tesis

 CAPÍTULO 2: FUNDAMENTACIÓN TEÓRICA
2.1 Computer vision 
2.1.1 Procesamiento de imágenes
2.1.1.1 Actividades del procesamiento de imágenes 
2.1.2 Detección de objetos
2.1.3 Segmentación 
2.1.4 Extracción de características 
2.2 Inteligencia artificial 
2.2.1 Machine Learning 
2.2.2 Deep Learning 
2.2.3 Deep Learning en la clasificación de imágenes
2.2.4 Machine Learning Clásico versus Deep Learning
2.2.5 CNNs (Redes Neuronales Convolucionales) 
2.2.6 Detección de objetos basado en deep learning

 CAPÍTULO 3: DEEP LEARNING EN EL MARCO DE LOS PROCESOS DE INGENIERÍA DE SOFTWARE
3.1 Machine learning y software engineering
3.2 Deuda técnica 
3.3 Desafíos de desarrollo 
3.3.1 Gestión de experimentos
3.3.2 Transparencia limitada 
3.3.3 Solución de problemas
3.3.4 Limitaciones de recursos
3.3.5 Pruebas (Testing)
3.4 Desafíos de producción 
3.4.1 Gestión de dependencias
3.4.2 Monitoreo y registro 
3.4.3 Bucles de retroalimentación involuntaria 
3.4.4 Código de pegamento y sistemas de soporte
3.5 Desafíos organizacionales 
3.5.1 Estimación de esfuerzo 
3.5.2 Privacidad y seguridad de los datos
3.5.3 Diferencias culturales
3.6 Conclusiones

 CAPÍTULO 4: DESCRIPCIÓN DE LA SOLUCIÓN
4.1 Adquisición de imágenes 
4.1.1 Enfoque 1: Buscar o recopilar un conjunto de datos
4.1.2 Enfoque 2: Extensión del navegador Fatkun Batch descargar imagen
4.2 Pre procesamiento
4.2.1 Creación del conjunto de datos de entrenamiento para detección de objetos
4.3 Detección de objetos y clasificación 
4.3.1 Metodología para detección de objetos en la imagen 
4.3.1.1 Redes Neuronales Convolucionales Basada en la Región (R-CNNs)
4.3.1.2 Faster R-CNN 
4.3.1.2.1 Red Base Para Extraer Características
4.3.1.2.2 Region Proposal Network (RPN)
4.3.2 Metodología para la clasificación de imágenes 
4.4 Recursos necesarios 
4.4.1 Hardware
4.4.2 Software

 CAPÍTULO 5: IMPLEMENTACIÓN
5.1 Arquitectura 
5.2 Pipeline (tubería de procesamiento)
5.2.1 La tubería de procesamiento de ML en proyectos de IA
5.3 Algoritmo detección de objetos (hoja de tomate) 
5.3.1 Preparación de la data 
5.3.2 Construcción y entrenamiento del modelo (Build & Train Models)
5.3.2.1 Elección del modelo 
5.3.2.2 Configuración de archivos para entrenar el modelo 
5.3.2.2.1 Configuración del modelo
5.3.2.2.2 Etiquetas de entrenamiento 
5.3.2.3 Entrenar el modelo 
5.3.2.4 Guardar modelo entrenado para ejecutarlo posteriormente 
5.3.3 Predicción y despliegue 
5.4 Algoritmo de clasificación de enfermedades 
5.4.1 Preparación de la data
5.4.2 Construcción y entrenamiento del modelo (Build & Train Models)
5.4.2.1 Elección del modelo 
5.4.2.2 Entrenar el modelo 
5.4.2.3 Guardar modelo entrenado para ejecutarlo posteriormente
5.4.3 Predicción y despliegue

 CAPÍTULO 6: RESULTADOS
6.1 Análisis de resultados 
6.2 Rendimientos obtenidos
6.3 Escenario de aplicación: prototipo Doctor Tomatto 
6.4.1 Estructura del directorio del prototipo
6.4.2 Códigos principal y complementarios 

 CAPÍTULO 7: TRABAJOS RELACIONADOS
7.1 Papers consultados 
7.2 Aplicaciones relacionadas

 CAPÍTULO 8: CONCLUSIONES
8.1 Conclusiones 
8.2 Desarrollos futuros

BIBLIOGRAFÍA