Automatic fruit classification using deep learning.
Visualitza/Obre
Estadístiques de LA Referencia / Recolecta
Inclou dades d'ús des de 2022
Cita com:
hdl:2117/117763
Tipus de documentTreball Final de Grau
Data2018-05
Condicions d'accésAccés obert
Llevat que s'hi indiqui el contrari, els
continguts d'aquesta obra estan subjectes a la llicència de Creative Commons
:
Reconeixement-NoComercial-SenseObraDerivada 3.0 Espanya
Abstract
To achieve greater efficiency at harvesting tasks, the mechanization of such task is unavoidable. Apart from the mechanical aspects, the harvesting systems needs software that can locate the fruit to be harvested. The use of machine learning and deep learning techniques to achieve such software was studied in this thesis. The results showed that an accuracy similar to other studies is feasible with a limited number of training samples using deep learning techniques. From this thesis we conclude that the mechanization of the harvesting labour is possible, at least from the software point of view, while the crop estimation application may need some more work before being feasible. Para conseguir una mayor eficiencia en las tareas de recolección, la mecanización de dicha tarea es indispensable. Aparte del aspecto mecánico, el sistema de recolección necesita software capaz de localizar la fruta a recolectar. El uso de técnicas de machine learning y deep learning para lograr dicho software ha sido estudiado en esta tesis. Los resultados muestran que una precisión similar a la de otros estudios es factible con un número limitado de muestras de entrenamiento. De esta tesis podemos concluir que la mecanización de la tarea de recolección es posible desde el punto de vida de software, mientras que la estimación de cosechas necesitaría más trabajo previo antes de ser posible. Per assolir una major eficiència en les tasques de recol·lecció, la mecanització d?aquesta tasca és indispensable. Apart dels aspectes mecànics, el sistema de recol·lecció requereix d?un software capaç de localitzar la fruita per ser recol·lectada. En aquesta tesi s?ha estudiat l?ús de tècniques de machine learning i deep learning per arribar a aquest software. Els resultats mostren que una precisió similar a la d?altres estudis és possible amb un nombre limitat de exemples d?entrenament fent servir tècniques de deep learning. Podem extreure com a conclusió que la mecanització de la tasca de recol·lecció és factible, com a mínim des del punt de vista de software, mentre que l?estimació de collites necessitaria més treball previ per ser factible.
Descripció
The productivity of the agri-food sector experiences continuous and growing challenges that make the use of innovative technologies to maintain and even improve their competitiveness a priority. One way to achieve this goal is the development of flexible and portable systems capable of obtaining 2D/3D measurements and classifying objects based on color and depth images taken from multiple sensors. In this project, deep learning methods for fruit detection and classification will be explored.
TitulacióGRAU EN ENGINYERIA DE SISTEMES DE TELECOMUNICACIÓ (Pla 2010)
Fitxers | Descripció | Mida | Format | Visualitza |
---|---|---|---|---|
memoria TFG_v2.pdf | 1,067Mb | Visualitza/Obre |