Del 19 al 21de febrero se llevó a cabo The 18th International Joint Conference on Computer Vision, Imaging and Computer Graphics Theory and Applications (VISAPP 2023) en Lisbon, Portugal. Esta conferencia tiene como objetivo convertirse en un importante punto de contacto entre investigadores, ingenieros y profesionales en el área de aplicaciones de la visión por computador, los temas abordados en este evento fueron:
1. Procesamiento y análisis de imágenes y videos
2. Comprensión de imágenes y videos
3. Movimiento, seguimiento y visión estéreo
4. Visión móvil y egocéntrica para humanos y robots
5. Aplicaciones y Servicios
El Centro de Investigación, Desarrollo e Innovación de Sistemas Computacionales (CIDIS) en representación de ESPOL asistió a dicha conferencia a través de los investigadores Ph.D. Angel Sappa, Mgtr. Luis Chuquimarca y Ph.D. Boris Vintimilla.El artículo presentado por el Ph.D. Vintimilla fue el siguiente: Banana Ripeness Level Classification using a Simple CNN Model Trained with Real and Synthetic Datasets
El nivel de madurez es fundamental para determinar la calidad de los bananos, para estimar correctamente la madurez del banano, se debe considerar las métricas de los estándares internacionales de marketing. Sin embargo, el proceso de evaluación de la maduración del banano a nivel industrial aún se realiza con métodos manuales. El uso de modelos CNN es una herramienta atractiva para resolver el problema, pero existe una limitación en cuanto a la disponibilidad de datos suficientes para entrenar estos modelos de forma fiable.
Este trabajo presenta la generación de un conjunto de datos robusto que combina datos reales y sintéticos para diferentes niveles de madurez del banano. Además, propone una arquitectura simple de CNN, que se entrena con datos sintéticos y utilizando la técnica de aprendizaje por transferencia se mejora el modelo para clasificar datos reales, logrando determinar el nivel de madurez del banano. El modelo CNN propuesto se evalúa con varias arquitecturas, luego las configuraciones de hiperparámetros son variadas y se utilizan optimizadores. Los resultados muestran que la CNN propuesta modelo alcanza una alta precisión de 0,917 y un tiempo de ejecución rápido.