• Español
Spanish Afrikaans English

Participación del Msc. Luis Chuquimarca en la Conferencia 18th International Joint Conference on Computer Vision, Imaging and Computer Graphics Theory and Applications

Fecha: 
Tuesday, 21 February, 2023 - 13:00

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, Msc. Luis Chuquimarca y Ph.D. Boris Vintimilla.El artículo presentado por el Msc. Chuquimarca fue el siguiente: Fruit defect detection using CNN models with real and virtual data.

El presente estudio busca evaluar diferentes modelos CNN con el fin de comparar su desempeño en el reconocimiento de una serie de defectos en manzanas y mangos para garantizar la calidad de la producción de estos alimentos. Usando los modelos CNN, InceptionV3, MobileNetV2, VGG16 y DenseNet121, que fueron entrenados con un conjunto de datos de imágenes reales y sintéticas de manzanas y mangos cubriendo frutos en aceptable estado de calidad y con defectos: podredumbre, magulladuras, costras y puntos negros. El entrenamiento se realizó con variaciones en los hiperparámetros y la métrica es la precisión.

El modelo MobileNetV2 logró la mayor precisión en el entrenamiento y las pruebas, obteniendo un 97,90% para manzanas y un 95,65% para mangos, lo que lo convierte en el modelo más adecuado para la detección de defectos en estos frutos. Los modelos InceptionV3 y DenseNet121 presentaron valores de precisión superiores al 90%, mientras que el modelo VGG16 obtuvo el peor desempeño al no exceder el 82% de precisión para ninguna de las frutas. Los modelos entrenados, especialmente MobileNetV2, son capaces de reconocer una variedad de defectos en las frutas bajo estudio con un alto grado de precisión y son adecuados para su uso en el desarrollo de aplicaciones de automatización para el proceso de evaluación de calidad de manzanas y mangos.