Reconocimiento del estado de cocción de la carne vacuna a través de técnicas de procesamiento de imágenes por computadora

Título:

Reconocimiento del estado de cocción de la carne vacuna a través de técnicas de procesamiento de imágenes por computadora

Autor:

Harguindeguy, Juan Ignacio

Otros autores / Colaboradores:

 Hasperué, Waldo; [ Director/a]  Ronchetti, Franco; [ Codirector/a] 

Temas:

INTELIGENCIA ARTIFICIAL; APRENDIZAJE AUTOMÁTICO; 

URL:

http://sedici.unlp.edu.ar/handle/10915/118395,

Nota de tesis:

Tesina (Licenciatura en Sistemas) - Universidad Nacional de La Plata. Facultad de Informática, 2020.

Extensión:

1 archivo (3,0 MB) : il. col.

Resumen:

Existen diversas investigaciones relacionadas a los alimentos, pero ninguna relacionada con la detección de estados de cocción en carne vacuna a través del procesamiento por imágenes. Por este motivo se estudiaron las Máquinas de Soporte Vectoriales (SVM) y su utilización con diversos descriptores tales como Haralick, Local Binary Pattern y Histogram of Oriented Gradients, Además, se ahondó sobre la técnica de Deep Learning, utilizando diversos modelos, algunos modelos avanzados y otros modelos simples a medida, de esta técnica para poder compararlos con las SVM. Se desarrolló un conjunto de datos con el cual poder entender los distintos modelos. A este conjunto de datos se le aplicó un procesamiento y una clasificación manual de las imágenes para lograr las diversas clases que se deseaban detectar. "Crudo", "Jugoso", "A punto", "Cocido" y "Bien cocido". Por ultimo, se implementó una plataforma para probar estos modelos de regresión haciéndolos accesibles a través de Internet. Para lograr esto se utilizó una Plataforma Platform as a Service (también conocido como PaaS) que permitió el acceso de la aplicación backend que consume el modelo creado para la "Puesta en Marcha" de la plataforma. Este servicio, luego, es consumido por una aplicación móvil desarrollada con una tecnología híbrida para poder utilzarla en tanto en Sistemas Operativos Android como iOS.

Puede solicitar más fácilmente el ejemplar con: TES 20/34

Capítulo 1: Introducción 
1.1 Objetivos 
1.2 Motivación 
1.3 Desarrollos Obtenidos 
1.4 Estructura del Trabajo 

Capítulo 2: Marco Teórico 
2.1 Introducción 
2.2 Conceptos 
2.2.1 Inteligencia Artificial (Artificial Intelligence) 
2.2.2 Aprendizaje Automático (Machine Learning) 
2.2.2.1 Descriptores 
2.2.2.1.1 Patrón Local Binario (Local Binary Pattern) 
2.2.2.1.2 Haralick 
2.2.2.1.3 Histograma de Gradientes Orientados (HOG) 
2.2.2.2 Aprendizaje Supervisado 
2.2.2.2.1 Máquinas de Soporte Vectorial (Support Vector Machines) 
2.2.2.2.2 Redes Neuronales (Neural Networks) 
2.2.2.3 Aprendizaje Transferido (Transfer Learning) 
2.2.3 Aprendizaje Profundo (Deep Learning) 
2.3 Frameworks y Librerías 
2.3.1 OpenCV 
2.3.2 TensorFlow 
2.3.3 Keras 
2.3.4 Ionic 
2.3.5 Django 
2.4 Estado del Arte 
2.5 Revisión del objetivo 

Capítulo 3: Trabajos Realizados 
3.1 El Dataset 
3.2 La aplicación Django, el backend 
3.3 La aplicación Ionic, el frontend 
3.4 El modelo de clasificación 
3.4.1 Support Vector Regression 
3.4.1.1 Local Binary Pattern (LBP) 
3.4.1.2 Haralick 
3.4.1.3 Histogram of Oriented Gradients (HOG) 
3.4.2 Deep Learning 
3.4.2.1 Modelo Simple 
3.4.2.2 Modelo Two Lanes 
3.4.2.3 Modelo MobileNet 
3.5 Puesta en marcha 

Capítulo 4: Conclusiones 

Capítulo 5: Trabajos Futuros 

Capítulo 6: Referencias Bibliográficas