Clasificación de la frescura del pescado utilizando una red neuronal convolucional
En el trabajo se analizó la frescura de la trucha (Oncorhynchus mykiss), siendo este aspecto muy importante para determinar su calidad. El objetivo, es proponer un modelo computacional basado en una CNN para clasificar la frescura de la trucha en función a los cambios de color de sus ojos y branquia...
Guardado en:
| Autores principales: | , |
|---|---|
| Otros Autores: | |
| Formato: | Tesis de pregrado |
| Lenguaje: | español |
| Publicado: |
Universidad Peruana Unión
2023
|
| Materias: | |
| Acceso en línea: | Enlace permanente (DOI o Handle) |
| Etiquetas: |
Sin Etiquetas, Sea el primero en etiquetar este registro!
|
| _version_ | 1881509923912679424 |
|---|---|
| author | Mamani Flores, Edwin Wilson Pedraza Huisa, Royer |
| author2 | Pineda Ancco, Ferdinand Edgardo |
| author_browse | Mamani Flores, Edwin Wilson Pedraza Huisa, Royer Pineda Ancco, Ferdinand Edgardo |
| author_facet | Pineda Ancco, Ferdinand Edgardo Mamani Flores, Edwin Wilson Pedraza Huisa, Royer |
| author_sort | Mamani Flores, Edwin Wilson |
| collection | Repositorio institucional |
| description | En el trabajo se analizó la frescura de la trucha (Oncorhynchus mykiss), siendo este aspecto muy importante para determinar su calidad. El objetivo, es proponer un modelo computacional basado en una CNN para clasificar la frescura de la trucha en función a los cambios de color de sus ojos y branquias, Para ello se creó un dataset de imágenes con las truchas adquiridas. Para obtener los resultados se realizaron 3 experimentos, el primero; con 2 clases (días 1 y 9), el segundo con 3 clases (días 1, 5 y 9) y el tercero con 5 clases (días 1, 3, 5, 7 y 9), todos los experimentos se ejecutaron en Google colab. Los resultados se validaron con una matriz de confusión curva ROC. Los mejores resultados dieron el modelo ResNeXt5032x4d, con 2 clases obtuvo un accuracy de 0.9833, con 3 clases un accuracy de 0.9222 y con 5 clases un accuracy de 0.8800. |
| escuela_str_mv | Escuela Profesional de Ingeniería de Sistemas |
| format | info:eu-repo/semantics/bachelorThesis |
| id | oai:repositorio.upeu.edu.pe:20.500.12840/7367 |
| institution | UPeU |
| language | Spanish |
| linea_str_mv | Tecnología de información e innovación tecnológica |
| ocde_area_str_mv | Ingeniería y tecnología |
| ocde_disciplina_str_mv | Ingeniería eléctrica, electrónica e informática |
| ocde_str_mv | 2.02.04 |
| programa_nombre_str_mv | Ingeniería de Sistemas |
| programa_pxx_str_mv | P27 |
| programa_uri_str_mv | http://upeu.edu.pe/sys/programas/programa/ingenieria-de-sistemas |
| publishDate | 2023 |
| publishDateRange | 2023 |
| publishDateSort | 2023 |
| publisher | Universidad Peruana Unión |
| publisherStr | Universidad Peruana Unión |
| record_format | dspace |
| sede_str_mv | Juliaca |
| spelling | Clasificación de la frescura del pescado utilizando una red neuronal convolucional Mamani Flores, Edwin Wilson Pedraza Huisa, Royer Pineda Ancco, Ferdinand Edgardo CNN Transferencia de aprendizaje Precisión y Oncorhynchus mykiss En el trabajo se analizó la frescura de la trucha (Oncorhynchus mykiss), siendo este aspecto muy importante para determinar su calidad. El objetivo, es proponer un modelo computacional basado en una CNN para clasificar la frescura de la trucha en función a los cambios de color de sus ojos y branquias, Para ello se creó un dataset de imágenes con las truchas adquiridas. Para obtener los resultados se realizaron 3 experimentos, el primero; con 2 clases (días 1 y 9), el segundo con 3 clases (días 1, 5 y 9) y el tercero con 5 clases (días 1, 3, 5, 7 y 9), todos los experimentos se ejecutaron en Google colab. Los resultados se validaron con una matriz de confusión curva ROC. Los mejores resultados dieron el modelo ResNeXt5032x4d, con 2 clases obtuvo un accuracy de 0.9833, con 3 clases un accuracy de 0.9222 y con 5 clases un accuracy de 0.8800. 2023-12-04 2024-04-01T16:03:20Z 2024-04-01T16:03:20Z info:eu-repo/semantics/bachelorThesis https://hdl.handle.net/20.500.12840/7367 spa info:eu-repo/semantics/openAccess http://creativecommons.org/licenses/by-nc-sa/3.0/es/ application/pdf Universidad Peruana Unión PE oai:repositorio.upeu.edu.pe:20.500.12840/7367 2026-11-10T17:45:09Z |
| spellingShingle | CNN Transferencia de aprendizaje Precisión y Oncorhynchus mykiss Mamani Flores, Edwin Wilson Pedraza Huisa, Royer Clasificación de la frescura del pescado utilizando una red neuronal convolucional |
| title | Clasificación de la frescura del pescado utilizando una red neuronal convolucional |
| title_full | Clasificación de la frescura del pescado utilizando una red neuronal convolucional |
| title_fullStr | Clasificación de la frescura del pescado utilizando una red neuronal convolucional |
| title_full_unstemmed | Clasificación de la frescura del pescado utilizando una red neuronal convolucional |
| title_short | Clasificación de la frescura del pescado utilizando una red neuronal convolucional |
| title_sort | clasificacion de la frescura del pescado utilizando una red neuronal convolucional |
| topic | CNN Transferencia de aprendizaje Precisión y Oncorhynchus mykiss |
| topic_facet | CNN Transferencia de aprendizaje Precisión y Oncorhynchus mykiss |
| url | https://hdl.handle.net/20.500.12840/7367 |
| work_keys_str_mv | AT mamanifloresedwinwilson clasificaciondelafrescuradelpescadoutilizandounaredneuronalconvolucional AT pedrazahuisaroyer clasificaciondelafrescuradelpescadoutilizandounaredneuronalconvolucional |