Reconocimiento automatizado de frutas mediante técnicas de aprendizaje profundo

Identificador:  TFM:2337

Handle: https://hdl.handle.net/20.500.11797/TFM2337

Autores:  Abderrahmane, Hammia

Resumen:
Esta tesis presenta un estudio exhaustivo sobre el reconocimiento automático de objetos utilizando enfoques de aprendizaje profundo, con el reconocimiento de frutas como caso de estudio representativo para demostrar la aplicabilidad más amplia de las metodologías de visión artificial. La investigación aborda los desafíos fundamentales en el desarrollo de sistemas robustos de reconocimiento visual mediante la implementación y el análisis comparativo de dos paradigmas distintos de aprendizaje profundo: aprendizaje por transferencia con ResNet50 para tareas de clasificación y YOLOv11 para la detección de objetos en tiempo real. La metodología abarca escenarios controlados y reales para evaluar el rendimiento del modelo en diferentes condiciones ambientales. Utilizando el conjunto de datos Fruits-360, que contiene 201 categorías con fondos controlados, el modelo ResNet50 alcanzó una precisión excepcional del 98,62 % mediante técnicas de aprendizaje por transferencia. Paralelamente, la implementación de YOLOv11, entrenada con un conjunto de datos reales de 32 clases con fondos naturales, demostró capacidades de detección robustas con un mAP@0,5 del 93,2 % y procesamiento en tiempo real a 53,5 FPS. Una contribución fundamental de esta investigación es el análisis sistemático de la brecha existente entre las condiciones controladas de laboratorio y los escenarios de implementación en el mundo real. Los resultados revelan que, si bien los modelos de clasificación destacan en conjuntos de datos estandarizados, su rendimiento puede degradarse significativamente al aplicarse a entornos naturales, mientras que los modelos de detección entrenados con datos diversos del mundo real garantizan una mayor aplicabilidad práctica. Para demostrar la integración de ambos enfoques, se desarrolló una interfaz gráfica unificada que muestra cómo se pueden combinar técnicas complementarias de aprendizaje profundo para crear sistemas integrales de reconocimiento visual. Si bien este trabajo se centra específicamente en aplicaciones de automatización agrícola, como sistemas de clasificación, control de calidad y cosecha robótica, el marco metodológico y el análisis comparativo proporcionan información valiosa para cualquier aplicación de visión artificial que requiera un reconocimiento de objetos robusto en diversas condiciones ambientales. La investigación contribuye al campo más amplio del reconocimiento visual automatizado al establecer las mejores prácticas para la selección de modelos, las estrategias de entrenamiento y las consideraciones de implementación en escenarios del mundo real.