Reconocimiento del estado de cocción de la carne vacuna a través de técnicas de procesamiento de imágenes por computadora
Harguindeguy, Juan Ignacio
Reconocimiento del estado de cocción de la carne vacuna a través de técnicas de procesamiento de imágenes por computadora - 2020 - 1 archivo (3,0 MB) : il. col.
Tesina (Licenciatura en Sistemas) - Universidad Nacional de La Plata. Facultad de Informática, 2020.
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
DIF-M8216
INTELIGENCIA ARTIFICIAL
APRENDIZAJE AUTOMÁTICO
Reconocimiento del estado de cocción de la carne vacuna a través de técnicas de procesamiento de imágenes por computadora - 2020 - 1 archivo (3,0 MB) : il. col.
Tesina (Licenciatura en Sistemas) - Universidad Nacional de La Plata. Facultad de Informática, 2020.
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
DIF-M8216
INTELIGENCIA ARTIFICIAL
APRENDIZAJE AUTOMÁTICO