Desarrollo de una plataforma de visión artificial basada en Machine Learning para su uso en robots móviles agrícolas - Trabajo Fin de Grado

Aug 5, 2026

Subido por Sage

El trabajo desarrolla una plataforma de visión artificial basada en Machine Learning orientada al uso en robots móviles agrícolas. Se aborda el contexto y la motivación del problema, revisando fundamentos de deep learning y proyectos relacionados en el estado del arte. El diseño integra entorno de desarrollo, interfaz, elección de lenguajes y bibliotecas, arquitectura y funcionamiento. Se entrenan modelos de clasificación y segmentación, se describen pruebas y resultados, y se analizan métricas para validar el desempeño. Finalmente, se presentan conclusiones y una línea futura para mejorar la plataforma.

IdiomaSpanish

CategoríaTecnología

FormatoPDF

Páginas61

Tiempo de lectura1 h 34 min

AccesoGratis para descargar

Tabla de contenidos

Introducción

Contexto

Motivación

Objetivos

Estado del arte

Aprendizaje profundo (Deep Learning)

Proyectos y trabajos actuales

Materiales y métodos

Entorno de desarrollo e interfaz

Lenguaje y bibliotecas

Diseño del sistema

Arquitectura de la aplicación

Funcionamiento de la plataforma

Ejemplo de ejecución

Modelos de predicción

Clasificación

Segmentación

Resultados y pruebas

Análisis del modelo de clasificación

Análisis del modelo de segmentación

Conclusiones y línea futura

Oportunidades de mejora

Bibliografía

UNIVERSIDAD POLITÉCNICA DE CARTAGENA Escuela Técnica Superior de Ingeniería Industrial Desarrollo de una plataforma devisión artificial basada en Machine Learning para su uso en robots móviles agrícolas TRABAJO FIN DE GRADO GRADO EN INGENIERÍA ELECTRÓNICA INDUSTRIAL Y AUTOMÁTICA Autor: JUAN CARLOS VÍLCHEZ DE LOS SANTOS Director: NIEVES PAVÓN PULIDO Codirector: JESÚS DAMIÁN BLASCO GARCÍA Cartagena, 1 ÍNDICE Índice de ilustraciones 3 Resume n .................................................................................................................... 5 Abstract ...................................................................................................................... 6 1. INTRODUCCIÓN ................................................................................................... 7 1.1 Contexto ........................................................................................................... 7 1.2 Motivación ........................................................................................................ 7 2. OBJET IVOS .......................................................................................................... 8 3. ESTADO DEL ARTE ............................................................................................. 9 3.1 Aprendizaje profundo (Deep Learning) ............................................................ 9 3.2 Proyectos y trabajos actuales .......................................................................... 12 4. MATERIALES Y MÉTODOS ................................................................................. 18 4.1 Entorno de desarrollo e interfaz ....................................................................... 18 4.2 Lenguaje y bibliotecas ...................................................................................... 20 5. DISEÑO DEL SISTEMA ........................................................................................ 21 5.1 Arquitectura de la aplicación ............................................................................ 21 5.2 Funcionamiento de la plataforma ..................................................................... 24 5.3 Ejemplo de ejecución ....................................................................................... 27 6. MODELOS DE PREDICCIÓN ............................................................................... 35 6.1 Clasificación ..................................................................................................... 36 6.2 Segmentación .................................................................................................. 41 7. RESULTADOS Y PRUEBAS ................................................................................ 46 7.1 Análisis del modelo de clasificación ................................................................ 46 7.2 Análisis del modelo de segmentación ............................................................. 52 8. CONCLUSIONES Y LÍNEA FUTURA .................................................................. 57 8.1 Oportunidades de mejora ................................................................................ 58 9. BIBLIOGRAFÍA ………………………………………………………………………… 59 2 ÍNDICE DE ILUSTRACIONES Ilustración 1. Multilayer Neural Network (MathWorks, 2024) . En la imagen se muestrala estructura de una red neuronal convolucional, indicando las capas que la componeny las entradas y salidas............................................................................................. 10 Ilustración 2. Architecture of LeNet-5 . Esta red utiliza múltiples canales en cada capa y alterna convoluciones multicanal con operaciones de submuestreo, seguidas dealgunas capas completamente conectadas que producen una activación para cada uno de los 10 dígitos que se están clasificando. (LeCun, 1998) ...............................11 Ilustración 3. Convol

Preguntas frecuentes

Qué tipos de modelos se entrenan y evalúan?

Se entrenan modelos para clasificación y para segmentación, y se realizan pruebas con análisis específico de cada tipo de modelo para valorar su desempeño.

Aug 5, 2026

Subido por Sage