Académique Documents
Professionnel Documents
Culture Documents
Asesor:
PhD. Carlos Valencia
Jurado Interno:
PhD. Camilo Franco
Jurado Externo
PhD. Camilo Acosta
Agenda
1. Motivación.
2. Definición del Problema.
3. Trabajos anteriores.
4. Metodología.
5. Resultados.
6. Conclusiones y trabajos futuros.
2
Motivación
3
Definición del Trabajos
Motivación Metodología Resultados Conclusiones
Problema Anteriores
Palma de Aceite
▪ Es la oleaginosa más productiva del planeta;
una hectárea sembrada produce entre 6 y 10
veces más aceite que las demás.
4
Definición del Trabajos
Motivación Metodología Resultados Conclusiones
Problema Anteriores
a b
c d
7 Estados de Maduración del RFF, a) RFF Verde, b) RFF Pinton, c)RFF Maduro, d) RFF Sobremaduro
Fuente: Cenipalma
Definición del Trabajos
Motivación Metodología Resultados Conclusiones
Problema Anteriores
8 Indicador de Calidad fruta recibida en tolva de la planta extractora Guaicaramo. Proveedor: Hacienda la Ilusión
Fuente: Guaicaramo
Definición del Trabajos
Motivación Metodología Resultados Conclusiones
Problema Anteriores
Impacto
El estándar estipula que la tasa de
extracción teórica es entre 21–25% y el
contenido de AGL no debe ser mayor
que 5%.
9
Definición del Trabajos
Motivación Metodología Resultados Conclusiones
Problema Anteriores
Objetivos
• Determinar el nivel de maduración de la fruta fresca de palma de aceite (RFF)
en condiciones de campo mediante procesamiento de imágenes y algoritmos
Objetivo General. de Aprendizaje Automático
10
Trabajos Anteriores
11
Definición del Trabajos
Motivación Metodología Resultados Conclusiones
Problema Anteriores
Trabajos Anteriores
Jamil (2009)
• Valores RGB RFF utilizando una técnica neuro-difusa produjo 73.3% de clasificación correcta.
Hutsary (2010)
• Valores RGB solo son adecuados para un entorno de iluminación constante, ya que se ven
afectados por el cambio de la intensidad de la luz.
Grandes Pasos
▪ Adquisición de Imágenes.
▪ Pruebas de laboratorio.
▪ Preprocesar imágenes.
▪ Extracción de características.
▪ Clasificación del fruto (RFF).
▪ Calibración del modelo.
14
Definición del Trabajos
Motivación Metodología Resultados Conclusiones
Problema Anteriores
Adquisición de Imágenes.
5 estados de maduración
15
Definición del Trabajos
Motivación Metodología Resultados Conclusiones
Problema Anteriores
Pruebas de Laboratorio
Secado del mesocarpio húmedo en un horno a 105°C hasta
obtener un peso seco constante
16
Definición del Trabajos
Motivación Metodología Resultados Conclusiones
Problema Anteriores
Preprocesar imágenes
Cada imagen es redimensionada a un tamaño de 512 x 256 pixeles, mediante interpolación por
vecinos cercanos (NN).
17
Definición del Trabajos
Motivación Metodología Resultados Conclusiones
Problema Anteriores
Extracción de características.
● El espacio de color HSI ha demostrado ser un buen
discriminador para el color del RFF en comparación
con el espacio de color de RGB CMYk y Lab.
Extracción de Características
Cada imagen consiste en el background y el foreground, el cual es la región de pixeles que contiene
los frutos o los datos de interés. Los valores de los píxeles de las frutas se separaron mediante el
uso del algoritmo (KNN).
19
Definición del Trabajos
Motivación Metodología Resultados Conclusiones
Problema Anteriores
Algoritmo
Establecer
de
set de datos
clasificación
Medida de
Calibración
desempeño 𝑚
%Error = 1 − 𝑚𝑎𝑥 ∗ 100%
• Cross Validation entre • Porcentaje de error de
50
entrentamiento y clasificación
validación. • Función de perdida
• Establecer (Cross entropy) 𝐻(𝑝, 𝑞) = − 𝑝 𝑥 log𝑞(𝑥 )
20 hiperparámetros
𝑥
Definición del Trabajos
Motivación Metodología Resultados Conclusiones
Problema Anteriores
21
Definición del Trabajos
Motivación Metodología Resultados Conclusiones
Problema Anteriores
Número de predictores empleados vs % Error Tamaño de nodo terminal vs % Error Cantidad de árboles vs % Error
22
300
64 2
Definición del Trabajos
Motivación Metodología Resultados Conclusiones
Problema Anteriores
23
Resultados
24
Definición del Trabajos
Motivación Metodología Resultados Conclusiones
Problema Anteriores
25 Matriz de Confusión
Fuente: Propio
Definición del Trabajos
Motivación Metodología Resultados Conclusiones
Problema Anteriores
26 Matriz de Confusión
Fuente: Propio
Definición del Trabajos
Motivación Metodología Resultados Conclusiones
Problema Anteriores
27 Matriz de Confusión
Fuente: Propio
Definición del Trabajos
Motivación Metodología Resultados Conclusiones
Problema Anteriores
Comparación de modelos
Curva ROC
.
Proporción de verdaderos positivos: 𝑃𝑉𝑃 =
𝑉𝑃
. 0,9405
(𝑉𝑃+𝐹𝑁)
0,8376
28
Definición del Trabajos
Motivación Metodología Resultados Conclusiones
Problema Anteriores
5.0%
Nivel de Acidez
20.0% MSE = 0,005
4.0%
15.0%
3.0%
y = 2E-06x2 - 0,0008x + 0,241
10.0% 2.0%
R² = 0,72
5.0% 1.0%
MSE=0,86 0.0%
0.0% 0 100 200 300 400
0 100 200 300 400
Tonalidad predominante (H)
Tonalidad predominante (H)
Correlación Tonalidad dominante vs OER Correlación tonalidad dominante vs AGL
Fuente: Propia Fuente: Propia
29
Conclusiones y
Trabajos Futuros
30
Definición del Trabajos
Motivación Metodología Resultados Conclusiones
Problema Anteriores
La red convolucional (CNN) presenta el mejor resultado (94%), clasificando en las 5 categorías sin
embargo presentan el mayor gasto computacional y por lo tanto mayor tiempo de
procesamiento.
La red neuronal artificial (ANN) y Random Forest (RF) presentan resultados aceptables (74% y
83% respectivamente) con un consumo computacional bajo. Sin embargo al clasificar los frutos
en cosecha y no cosecha, los resultados son cercanos al 96%.
Es recomendable usar estos algoritmos en campo, por su poco tiempo de procesamiento y los
RFF maduros y sobremaduros deben ser cosechados.
32
Definición del Trabajos
Motivación Metodología Resultados Conclusiones
Problema Anteriores
Trabajo futuro
▪ Implementar esta metodología como estándar para la medición de la calidad de acuerdo al
color y fenología del racimo.
34