Evaluación de coronas decorativas mediante un enfoque de deep learning
DOI:
https://doi.org/10.69681/lajae.v6i1.31Palabras clave:
Floricultura, YOLO, Aprendizaje profundo, Exactitud, Precisión, Recall, MaPResumen
La industria de la floricultura es un sector en crecimiento en Baja California, que exporta la mayor parte de su producción. Los productos como las coronas decorativas dependen principalmente de la inspección humana, que a menudo ha sido propensa a errores humanos y desafíos para cumplir con los criterios de calidad. La implementación de tecnologías y métodos de inspección automatizados en la floricultura para reducir los errores humanos, parece contribuir a minimizar los productos defectuosos y garantizar el cumplimiento de los estándares de calidad y las normas de exportación. En este artículo, evaluamos la implementación de YOLO, un enfoque de aprendizaje profundo, en el proceso de identificación de defectos. Los resultados muestran que la precisión varía del 48.4 % al 81.3 % y el MaP del 53.2 % al 87.6% utilizando diez épocas. Este documento proporciona evidencia valiosa para futuros estudios e implementaciones con respecto a los enfoques de aprendizaje profundo utilizados para evaluar las características visuales en la industria de la floricultura.
Descargas
Descargas
Publicado
Cómo citar
Licencia
Derechos de autor 2023 Diego Caballero Ramírez, Yolanda Baez Lopez, Jorge Limon Romero y Diego Tlapa
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores/as que publiquen en Latin American Journal of Applied Engineering aceptan las siguientes condiciones:
- Los autores/as conservan los derechos de autor y ceden a la revista el derecho de la primera publicación, con el trabajo registrado con la licencia de atribución de Creative Commons 4.0, que permite a terceros utilizar lo publicado siempre que mencionen la autoría del trabajo y a la primera publicación en esta revista.
- Los autores/as pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en esta revista (p. ej., incluirlo en un repositorio institucional o publicarlo en un libro) siempre que indiquen claramente que el trabajo se publicó por primera vez en esta revista.
- Se permite y recomienda a los autores/as a compartir su trabajo en línea (por ejemplo: en repositorios institucionales o páginas web personales) antes y durante el proceso de envío del manuscrito, ya que puede conducir a intercambios productivos, a una mayor y más rápida citación del trabajo publicado.
