Identificación de punto de corte de rosas grandifloras - por medio de machine learning con apoyo de visión artificial

Aug 5, 2026

Subir por Levi

Identificación de punto de corte en rosas grandifloras mediante enfoques de machine learning apoyados en visión artificial, orientado a clasificar estados de maduración y estimar la profundidad para mejorar la selección del momento óptimo. El proyecto compara métodos clásicos como KNN, Random Forest y SVM, además de una red neuronal convolucional (CNN). Incluye construcción de base de datos, tratamiento de imágenes, entrenamiento del modelo seleccionado, configuración de librerías y evaluación con métricas como precisión y matrices de confusión, culminando con conclusiones y referencias del trabajo.

IdiomaSpanish

CategoríaInvestigación e Informes

FormatoPDF

Páginas79

Tiempo de lectura2 h 2 min

AccesoGratis para descargar

Tabla de contenidos

Resumen

Introducción

Objetivos

Objetivo general

Objetivos específicos

Métodos de clasificación de imágenes

Machine Learning

Métodos de machine learning

Implementación de modelos para reconocimiento de característica

Implementación KNN

Implementación Random Forest

Implementación SVM

Implementación CNN

Puntos a favor y en contra de los modelos analizados

Entrenamiento de modelo seleccionado (CNN)

Base de datos de rosas

Estado de maduración de las rosas

Tratamiento de imágenes

Red pre-entrenada

Entrenamiento del modelo

Épocas de entrenamiento

Archivo YAML

Importación de datos

Instalación de librerías

Entrenamiento

Cantidad de imágenes de entrenamiento

Entrenamiento del modelo CNN para obtener el punto de corte

Entrenamiento del modelo CNN para estimación de profundidad

Código implementado

Implementación gráfica

Implementación Python

Muestra de resultados

Conclusiones

Glosario

Referencias

Anexos

IDENTIFICACION DE PUNTO DE CORTE DE ROSAS GRANDIFLORAS POR MEDIO DE MACHINE LEARNING CON APOYO DE VISION ARTIFICIAL ANGEL SANTIAGO RIVEROS MARTIN PROYECTO DE GRADO PARA OPTAR AL TÍTULO DE: INGENIERO MECÁTRONICO DIRECTOR WILMAR MARTÍNEZ URRUTIA INGENIERO ELECTRÓNICO CODIRECTOR LUIS FERNANDO RUIZ INGENIERO MECÁNICO FUNDACIÓN UNIVERSIDAD DE AMÉRICA FACULTAD DE INGENIERÍAS PROGRAMA DE INGENIERÍA MECÁTRONICA BOGOTÁ NOTA DE ACEPTACIÓN: | | | --- | | | | | | | | | Firma del Director Firma del presidente del jurado Firma del jurado Firma del jurado Bogotá D.C., marzo de 2025 DIRECTIVOS DE LA UNIVERSIDAD Presidente de la Universidad y Rector del Claustro Dr. Mario Posada García Peña Consejero Institucional Dr. Luis Jaime Posada García Peña Vicerrectora Académica Dra. Maria Fernanda Vega De Mendoza Vicerrector Administrativo y Financiero Dr. Ramiro Augusto Forero Corzo Vicerrectora de Investigaciones y Extensión Dra. Susan Margarita Benavides Trujillo Secretario General Dr. José Luis Macías Rodríguez Decana Facultad de Ingenierías Ing. Naliny Patricia Guerra Prieto Directora del Departamento de Ingeniería Mecánica Dra. María Angélica Acosta Pérez DEDICATORIA Quiero expresar mi más profundo agradecimiento a todas las personas que, de una forma u otra, hicieron posible la realización de este proyecto. En primer lugar, agradezco a mis padres por su amor incondicional, apoyo constante y fe en mis capacidades, quienes siempre han sido mi pilar en los momentos más desafiantes. A mis directores de tesis, Wilmar y Luis Fernando, por su paciencia, guía y valiosos conocimientos, que fueron fundamentales para el desarrollo de este proyecto. Su dedicación y compromiso me inspiraron a alcanzar altos estándares académicos. A mis amigos y compañeros, que con palabras de ánimo y compañía hicieron este proceso másllevadero, y a la universidad de América por brindarme las herramientas y el espacio paradesarrollar este trabajo. Finalmente, agradezco a Dios y a la vida por permitirme culminar esta etapa con éxito y por las lecciones aprendidas en el camino. TABLA DE CONTENIDO pág. RESUMEN 10 INTRODUCCION 11 1. OBJETIVOS 12 1.1. Objetivo general 12 1.2. Objetivos específicos 12 2. METODOS DE CLASIFICACION DE IMAGENES 13 2.1. Machine Learning 13 2.1.1. Metodos de machine learning 13 3. IMPLEMENTACION DE MODELOS PARA RECONCIMIENTO DE CARACTERISTICA 28 3.1. Implementación knn 28 3.2. Implementación random forest 31 3.3. Implementación svm 35 3.4. Implementación CNN 39 3.5. puntos a favor y en contra de los modelos analizados 44 4. ENTRENAMIENTO DE MODELO SELECCIONADO (CNN) 45 4.1. Base de datos de rosas 45 4.1.1 Estado de maduración de las rosas 46 4.2. Tratamiento de imagenes 46 4.3. Red Pre-entrenada 47 4.4. Entrenamiento del modelo 48 4.4.1 Épocas de entrenamiento 48 4.4.2. Archivo. yaml 48 4.4.3. Importación de datos 49 4.4.4. Instalacion de librerias 50 4.4.5. Entrenamiento 50 4.4.6. Cantidad de imágenes de entrenamiento 51 4.5. ENTRENAMIENTO DEL MODELO CNN PARA OBTENER EL PUNTO DE CORTE 54 4.6. ENTRENAMIENTO DEL MODELO CNN PARA ESTIMACION DE PROFUNDIDAD 56 4.6.1. Numero de imágenes y épocas 57 5. CODIGO IMPLEMENTADO 61 5.1. implementación grafica 61 5.2. implementación python 64 5.3. muestra de resultados 66 CONCLUSIONES 69 GLOSARIO 71 REFERNCIAS 74 ANEXOS 78 LISTAS DE FIGURAS pág. Figura 1 Funcionamiento de validación cruzada 14 Figura 2 Funcionamiento de KNN 15 Figura 3 Funcionamiento de árboles de decisión 17 Figura 4 Funcionamiento de Random Forest 19 Figura 5 Funcionamiento de SVM 21 Figura 6 Funcionamiento de redes neuronales 23 Figura 7 Estructura de AlexNet 25 Figura 8 Estructura de VGG Net 25 Figura 9 Estructura de Google Net 26 Figura 10 Estructura ResNet 27 Figura 11 Importación librerías usadas en KNN 28 Figura 12 Código KNN-inicio 29 Figura 13 Código

Preguntas frecuentes

Qué problema aborda el proyecto sobre las rosas grandifloras?

Aborda la identificación del punto de corte en rosas grandifloras usando visión artificial y modelos de machine learning para apoyar la decisión del momento óptimo.

Qué modelos de machine learning se comparan en la investigación?

Se comparan KNN, Random Forest, SVM y una CNN, incluyendo análisis de puntos a favor y en contra de los modelos revisados.

Cómo se entrena el modelo CNN para obtener el punto de corte y estimar profundidad?

Se realiza entrenamiento del modelo CNN con una base de datos de rosas, tratamiento de imágenes, uso de una red pre-entrenada y configuración del proceso (épocas, archivo YAML, importación de datos y librerías). Además, se entrena específicamente para obtener el punto de corte y para la estimación de profundidad.

Aug 5, 2026

Subir por Levi