Aplicación de técnicas de visión artificial en dispositivos de bajo costo para mejorar la eficiencia en la agricultura de precisión
[ES] En el contexto del crecimiento tecnológico en los últimos años gracias al trabajo distribuido y las fuentes de código abierto, la visión por computadora ha sido una tecnología innovadora que ha revolucionado la forma en que las máquinas pueden interactuar y comprender el mundo visual que nos ro...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2023 |
| País: | España |
| Institución: | Universitat Politècnica de València (UPV) |
| Repositorio: | RiuNet. Repositorio Institucional de la Universitat Politécnica de Valéncia |
| Idioma: | español |
| OAI Identifier: | oai:riunet.upv.es:10251/198268 |
| Acceso en línea: | https://riunet.upv.es/handle/10251/198268 |
| Access Level: | acceso abierto |
| Palabra clave: | Inteligencia artificial Agricultura de Precisión Visión Artificial Visión por Computadora IoT Artificial Intelligence Precision Agriculture Artificial Vision Computer Vision LENGUAJES Y SISTEMAS INFORMATICOS Máster Universitario en Inteligencia Artificial, Reconocimiento de Formas e Imagen Digital-Màster Universitari en Intel·ligència Artificial, Reconeixement de Formes i Imatge Digital |
| Sumario: | [ES] En el contexto del crecimiento tecnológico en los últimos años gracias al trabajo distribuido y las fuentes de código abierto, la visión por computadora ha sido una tecnología innovadora que ha revolucionado la forma en que las máquinas pueden interactuar y comprender el mundo visual que nos rodea. Es indispensable aprovechar esta tecnología para apoyar en la solución de uno de los problemas principales actuales en el mundo: el hambre en una población creciente. En este trabajo se concibe, diseña, implementa y opera un método de visión por computadora e inteligencia artificial para la detección de frutos con una estimación integrada de su profundidad en la escena. Este método se puede aprovechar para integrarse en sistemas autónomos de cosecha de frutos o tareas de fenotipado. El modelo de detección de objetos con estimación de profundidad (DOD) se entrena y evalúa para las tareas de detección de objetos comunes y la detección de frutos, y se compara con los modelos del estado del arte actual. Los resultados obtenidos demuestran la eficiencia del método propuesto para operarse en sistemas embebidos con un balance de precisión y velocidad suficiente para aplicaciones en tiempo real en dispositivos de borde en el contexto del Internet de las Cosas (IoT). |
|---|