[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"doc-detail-126102-es":3,"doc-seo-126102-110":31,"detail-sidebar-cat-0-es-110":92},{"code":4,"msg":5,"data":6},0,"success",{"doc_id":7,"user_id":8,"nickname":9,"user_avatar":10,"doc_module":4,"category_id":11,"category_name":12,"doc_title":13,"doc_description":14,"doc_content":15,"file_id":16,"file_url":17,"file_type":18,"file_size":19,"view_count":20,"is_deleted":4,"is_public":21,"is_downloadable":21,"audit_status":21,"page_count":22,"language":23,"language_code":24,"site_id":25,"html_lang":24,"table_of_contents":26,"faqs":27,"seo_title":28,"seo_description":14,"update_tm":29,"read_time":30},126102,5909887256941,"Levi","https://ap-avatar.wpscdn.com/davatar_9964176cb1d06d4a9deccf72a44ae3dc",41,"Investigación e Informes","Identificación de punto de corte de rosas grandifloras - por medio de machine learning con apoyo de visión artificial","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.","IDENTIFICACION DE PUNTO DE CORTE DE ROSAS GRANDIFLORAS POR MEDIO DE MACHINE LEARNING CON APOYO DE VISION ARTIFICIAL  \nANGEL SANTIAGO RIVEROS MARTIN  \nPROYECTO DE GRADO PARA OPTAR AL TÍTULO DE: INGENIERO MECÁTRONICO  \nDIRECTOR  \nWILMAR MARTÍNEZ  \nURRUTIA  \nINGENIERO ELECTRÓNICO  \nCODIRECTOR  \nLUIS FERNANDO RUIZ  \nINGENIERO MECÁNICO  \nFUNDACIÓN UNIVERSIDAD DE AMÉRICA FACULTAD DE INGENIERÍAS PROGRAMA DE INGENIERÍA MECÁTRONICA BOGOTÁ  \nNOTA DE ACEPTACIÓN:  \n\n|  |\n| --- |\n|  |\n|  |\n|  |\n|  |\n\nFirma del Director Firma del presidente del jurado  \nFirma del jurado  \nFirma del jurado  \nBogotá D.C., marzo de 2025  \nDIRECTIVOS DE LA UNIVERSIDAD  \nPresidente de la Universidad y Rector del Claustro  \nDr. Mario Posada García Peña  \nConsejero Institucional  \nDr. Luis Jaime Posada García Peña  \nVicerrectora Académica  \nDra. Maria Fernanda Vega De Mendoza  \nVicerrector Administrativo y Financiero  \nDr. Ramiro Augusto Forero Corzo  \nVicerrectora de Investigaciones y Extensión  \nDra. Susan Margarita Benavides Trujillo  \nSecretario General  \nDr. José Luis Macías Rodríguez  \nDecana Facultad de Ingenierías  \nIng. Naliny Patricia Guerra Prieto  \nDirectora del Departamento de Ingeniería Mecánica  \nDra. María Angélica Acosta Pérez  \nDEDICATORIA  \nQuiero expresar mi más profundo agradecimiento a todas las personas que, de una forma u otra, hicieron posible la realización de este proyecto.  \nEn 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.  \nA 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.  \nA 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.  \nFinalmente, agradezco a Dios y a la vida por permitirme culminar esta etapa con éxito y por las lecciones aprendidas en el camino.  \nTABLA DE CONTENIDO  \npág.  \nRESUMEN 10  \nINTRODUCCION 11  \n1. OBJETIVOS 12  \n1.1. Objetivo general 12  \n1.2. Objetivos específicos 12  \n2. METODOS DE CLASIFICACION DE IMAGENES 13  \n2.1. Machine Learning 13  \n2.1.1. Metodos de machine learning 13  \n3. IMPLEMENTACION DE MODELOS PARA RECONCIMIENTO DE  \nCARACTERISTICA 28  \n3.1. Implementación knn 28  \n3.2. Implementación random forest 31  \n3.3. Implementación svm 35  \n3.4. Implementación CNN 39  \n3.5. puntos a favor y en contra de los modelos analizados 44  \n4. ENTRENAMIENTO DE MODELO SELECCIONADO (CNN) 45  \n4.1. Base de datos de rosas 45  \n4.1.1 Estado de maduración de las rosas 46  \n4.2. Tratamiento de imagenes 46  \n4.3. Red Pre-entrenada 47  \n4.4. Entrenamiento del modelo 48  \n4.4.1 Épocas de entrenamiento 48  \n4.4.2. Archivo. yaml 48  \n4.4.3. Importación de datos 49  \n4.4.4. Instalacion de librerias 50  \n4.4.5. Entrenamiento 50  \n4.4.6. Cantidad de imágenes de entrenamiento 51  \n4.5. ENTRENAMIENTO DEL MODELO CNN PARA OBTENER EL PUNTO DE CORTE 54  \n4.6. ENTRENAMIENTO DEL MODELO CNN PARA ESTIMACION DE  \nPROFUNDIDAD 56  \n4.6.1. Numero de imágenes y épocas 57  \n5. CODIGO IMPLEMENTADO 61  \n5.1. implementación grafica 61  \n5.2. implementación python 64  \n5.3. muestra de resultados 66  \nCONCLUSIONES 69  \nGLOSARIO 71  \nREFERNCIAS 74  \nANEXOS 78  \nLISTAS DE FIGURAS  \npág.  \nFigura 1 Funcionamiento de validación cruzada 14  \nFigura 2 Funcionamiento de KNN 15  \nFigura 3 Funcionamiento de árboles de decisión 17  \nFigura 4 Funcionamiento de Random Forest 19  \nFigura 5 Funcionamiento de SVM 21  \nFigura 6 Funcionamiento de redes neuronales 23  \nFigura 7 Estructura de AlexNet 25  \nFigura 8 Estructura de VGG Net 25  \nFigura 9 Estructura de Google Net 26  \nFigura 10 Estructura ResNet 27  \nFigura 11 Importación librerías usadas en KNN 28  \nFigura 12 Código KNN-inicio 29  \nFigura 13 Código","cbCairrTt2p9MbmO","https://ap.wps.com/l/cbCairrTt2p9MbmO","pdf",2616976,4,1,79,"Spanish","es",110,"# Resumen\n# Introducción\n# Objetivos\n## Objetivo general\n## Objetivos específicos\n# Métodos de clasificación de imágenes\n## Machine Learning\n### Métodos de machine learning\n# Implementación de modelos para reconocimiento de característica\n## Implementación KNN\n## Implementación Random Forest\n## Implementación SVM\n## Implementación CNN\n## Puntos a favor y en contra de los modelos analizados\n# Entrenamiento de modelo seleccionado (CNN)\n## Base de datos de rosas\n### Estado de maduración de las rosas\n## Tratamiento de imágenes\n## Red pre-entrenada\n## Entrenamiento del modelo\n### Épocas de entrenamiento\n### Archivo YAML\n### Importación de datos\n### Instalación de librerías\n### Entrenamiento\n### Cantidad de imágenes de entrenamiento\n## Entrenamiento del modelo CNN para obtener el punto de corte\n## Entrenamiento del modelo CNN para estimación de profundidad\n# Código implementado\n## Implementación gráfica\n## Implementación Python\n## Muestra de resultados\n# Conclusiones\n# Glosario\n# Referencias\n# Anexos","[{\"question\":\"Qué problema aborda el proyecto sobre las rosas grandifloras?\",\"answer\":\"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.\"},{\"question\":\"Qué modelos de machine learning se comparan en la investigación?\",\"answer\":\"Se comparan KNN, Random Forest, SVM y una CNN, incluyendo análisis de puntos a favor y en contra de los modelos revisados.\"},{\"question\":\"Cómo se entrena el modelo CNN para obtener el punto de corte y estimar profundidad?\",\"answer\":\"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.\"}]","Identificación de punto de corte de rosas grandifloras - por medio de machine learning con apoyo de visión artificial | PDF",1785903132,122,{"code":4,"msg":32,"data":33},"ok",{"site_id":25,"language":24,"slug":34,"title":13,"keywords":35,"description":14,"schema_data":36,"social_meta":87,"head_meta":89,"extra_data":91,"updated_unix":29},"identification-of-cutting-point-of-grandiflora-roses-using-machine-learning-with-artificial-vision-support","",{"@graph":37,"@context":86},[38,54,69],{"@type":39,"itemListElement":40},"BreadcrumbList",[41,45,49,52],{"item":42,"name":43,"@type":44,"position":21},"https://docshare.wps.com","Home","ListItem",{"item":46,"name":47,"@type":44,"position":48},"https://docshare.wps.com/es/document/","Document",2,{"item":50,"name":12,"@type":44,"position":51},"https://docshare.wps.com/es/document/investigación-e-informes/",3,{"item":53,"name":13,"@type":44,"position":20},"https://docshare.wps.com/es/document/identification-of-cutting-point-of-grandiflora-roses-using-machine-learning-with-artificial-vision-support/126102/",{"url":53,"name":13,"@type":55,"author":56,"headline":13,"publisher":58,"fileFormat":61,"inLanguage":24,"description":14,"dateModified":62,"datePublished":63,"encodingFormat":61,"isAccessibleForFree":64,"interactionStatistic":65},"DigitalDocument",{"name":9,"@type":57},"Person",{"url":42,"name":59,"@type":60},"DocShare","Organization","application/pdf","2026-08-16","2026-08-05",true,{"@type":66,"interactionType":67,"userInteractionCount":20},"InteractionCounter",{"@type":68},"ViewAction",{"@type":70,"mainEntity":71},"FAQPage",[72,78,82],{"name":73,"@type":74,"acceptedAnswer":75},"Qué problema aborda el proyecto sobre las rosas grandifloras?","Question",{"text":76,"@type":77},"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.","Answer",{"name":79,"@type":74,"acceptedAnswer":80},"Qué modelos de machine learning se comparan en la investigación?",{"text":81,"@type":77},"Se comparan KNN, Random Forest, SVM y una CNN, incluyendo análisis de puntos a favor y en contra de los modelos revisados.",{"name":83,"@type":74,"acceptedAnswer":84},"Cómo se entrena el modelo CNN para obtener el punto de corte y estimar profundidad?",{"text":85,"@type":77},"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.","https://schema.org",{"og:url":53,"og:type":88,"og:title":13,"og:site_name":59,"og:description":14},"article",{"robots":90,"canonical":53},"index,follow",{"doc_id":7,"site_id":25},{"code":4,"msg":5,"data":93},[94,99,103,107,111,113,117,121,125,129],{"id":95,"doc_module":4,"doc_module_name":47,"category_name":96,"show_sort_weight":97,"slug":98},39,"Cómic",60,"comic",{"id":100,"doc_module":4,"doc_module_name":47,"category_name":101,"show_sort_weight":97,"slug":102},43,"Estilo de Vida","lifestyle",{"id":104,"doc_module":4,"doc_module_name":47,"category_name":105,"show_sort_weight":97,"slug":106},38,"Examen","exam",{"id":108,"doc_module":4,"doc_module_name":47,"category_name":109,"show_sort_weight":97,"slug":110},44,"General","general",{"id":11,"doc_module":4,"doc_module_name":47,"category_name":12,"show_sort_weight":97,"slug":112},"research-report",{"id":114,"doc_module":4,"doc_module_name":47,"category_name":115,"show_sort_weight":97,"slug":116},37,"Literatura","literature",{"id":118,"doc_module":4,"doc_module_name":47,"category_name":119,"show_sort_weight":97,"slug":120},22,"Relatos y Novelas","story-novel",{"id":122,"doc_module":4,"doc_module_name":47,"category_name":123,"show_sort_weight":97,"slug":124},42,"Religión y Espiritualidad","religion-spirituality",{"id":126,"doc_module":4,"doc_module_name":47,"category_name":127,"show_sort_weight":97,"slug":128},40,"Salud y Atención Médica","healthcare",{"id":130,"doc_module":4,"doc_module_name":47,"category_name":131,"show_sort_weight":97,"slug":132},24,"Tecnología","technology"]