Detección y clasificación de enfermedades en el tomate mediante Deep Learning y Computer Vision

Tesis (Maestría en Ingeniería de Software) - Universidad Nacional de La Plata. Facultad de Informática, 2021.

CAPÍTULO 1: INTRODUCCIÓN -- 1.1 Introducción -- 1.2 Justificación -- 1.3 Fundamentación del tema elegido -- 1.4 Motivación -- 1.5 Objetivos -- 1.5.1 Objetivos Generales -- 1.5.2 Objetivos Específicos -- 1.6 Metodología general de investigación y desarrollo de la tesis -- 1.7 Organización de la tesis -- CAPÍTULO 2: FUNDAMENTACIÓN TEÓRICA -- 2.1 Computer vision -- 2.1.1 Procesamiento de imágenes -- 2.1.1.1 Actividades del procesamiento de imágenes -- 2.1.2 Detección de objetos -- 2.1.3 Segmentación -- 2.1.4 Extracción de características -- 2.2 Inteligencia artificial -- 2.2.1 Machine Learning -- 2.2.2 Deep Learning -- 2.2.3 Deep Learning en la clasificación de imágenes -- 2.2.4 Machine Learning Clásico versus Deep Learning -- 2.2.5 CNNs (Redes Neuronales Convolucionales) -- 2.2.6 Detección de objetos basado en deep learning -- CAPÍTULO 3: DEEP LEARNING EN EL MARCO DE LOS PROCESOS DE INGENIERÍA DE SOFTWARE -- 3.1 Machine learning y software engineering -- 3.2 Deuda técnica -- 3.3 Desafíos de desarrollo -- 3.3.1 Gestión de experimentos -- 3.3.2 Transparencia limitada -- 3.3.3 Solución de problemas -- 3.3.4 Limitaciones de recursos -- 3.3.5 Pruebas (Testing) -- 3.4 Desafíos de producción -- 3.4.1 Gestión de dependencias -- 3.4.2 Monitoreo y registro -- 3.4.3 Bucles de retroalimentación involuntaria -- 3.4.4 Código de pegamento y sistemas de soporte -- 3.5 Desafíos organizacionales -- 3.5.1 Estimación de esfuerzo -- 3.5.2 Privacidad y seguridad de los datos -- 3.5.3 Diferencias culturales -- 3.6 Conclusiones -- CAPÍTULO 4: DESCRIPCIÓN DE LA SOLUCIÓN -- 4.1 Adquisición de imágenes -- 4.1.1 Enfoque 1: Buscar o recopilar un conjunto de datos -- 4.1.2 Enfoque 2: Extensión del navegador Fatkun Batch descargar imagen -- 4.2 Pre procesamiento -- 4.2.1 Creación del conjunto de datos de entrenamiento para detección de objetos -- 4.3 Detección de objetos y clasificación -- 4.3.1 Metodología para detección de objetos en la imagen -- 4.3.1.1 Redes Neuronales Convolucionales Basada en la Región (R-CNNs) -- 4.3.1.2 Faster R-CNN -- 4.3.1.2.1 Red Base Para Extraer Características -- 4.3.1.2.2 Region Proposal Network (RPN) -- 4.3.2 Metodología para la clasificación de imágenes -- 4.4 Recursos necesarios -- 4.4.1 Hardware -- 4.4.2 Software -- CAPÍTULO 5: IMPLEMENTACIÓN -- 5.1 Arquitectura -- 5.2 Pipeline (tubería de procesamiento) -- 5.2.1 La tubería de procesamiento de ML en proyectos de IA -- 5.3 Algoritmo detección de objetos (hoja de tomate) -- 5.3.1 Preparación de la data -- 5.3.2 Construcción y entrenamiento del modelo (Build & Train Models) -- 5.3.2.1 Elección del modelo -- 5.3.2.2 Configuración de archivos para entrenar el modelo -- 5.3.2.2.1 Configuración del modelo -- 5.3.2.2.2 Etiquetas de entrenamiento -- 5.3.2.3 Entrenar el modelo -- 5.3.2.4 Guardar modelo entrenado para ejecutarlo posteriormente -- 5.3.3 Predicción y despliegue -- 5.4 Algoritmo de clasificación de enfermedades -- 5.4.1 Preparación de la data -- 5.4.2 Construcción y entrenamiento del modelo (Build & Train Models) -- 5.4.2.1 Elección del modelo -- 5.4.2.2 Entrenar el modelo -- 5.4.2.3 Guardar modelo entrenado para ejecutarlo posteriormente -- 5.4.3 Predicción y despliegue -- CAPÍTULO 6: RESULTADOS -- 6.1 Análisis de resultados -- 6.2 Rendimientos obtenidos -- 6.3 Escenario de aplicación: prototipo Doctor Tomatto -- 6.4.1 Estructura del directorio del prototipo -- 6.4.2 Códigos principal y complementarios -- CAPÍTULO 7: TRABAJOS RELACIONADOS -- 7.1 Papers consultados -- 7.2 Aplicaciones relacionadas -- CAPÍTULO 8: CONCLUSIONES -- 8.1 Conclusiones -- 8.2 Desarrollos futuros -- BIBLIOGRAFÍA