Este martes 27 de abril a las 09 horas la estudiante Tatiana Sofía Parlanti realizará la defensa de su seminario de investigación "Estudio de técnicas de Aprendizaje Automático en el análisis de imágenes para pronóstico de cosecha".
Debido a las circunstancias particulares de distanciamiento social, la instancia se concretará de manera virtual a través de la aplicación Zoom. En este caso, la comisión evaluadora estará conformada por Dr. Emmanuel Millán, el Dr. Martín Marchetta Fernandez y el Dr. Sebastián Simondi. El trabajo fue dirigido por el Dr. Emmanuel Millán y co-dirigido por el Dr. Alejandro Lobos.
Resumen:
Una de las necesidades de los productores de la región es contar con un proceso adecuado de pronóstico de cosecha de uva. Tradicionalmente, la metodología más precisa y rápida para llevar a cabo este pronóstico está dada por el recuento de racimos por planta y la estimación de su peso. La extrapolación del resultado unitario a todas las plantas teniendo en cuenta datos históricos determina el valor de producción proyectado. Este proceso implica la utilización de recursos humanos, materiales y tiempo que, por su propia escasez, limitan el propio proceso. En este trabajo buscamos incorporar tecnología en el proceso de estimación de cosecha de uva, mediante la captura de imágenes, su pre-procesamiento y etiquetado y su posterior análisis usando algoritmos computacionales de Aprendizaje Automático (AA). Para ello estudiaremos sobre AA y algoritmos de aprendizaje supervisado, en particular el uso de Redes Neuronales Convolucionales para abordar la tarea de detectar objetos, en este caso particular racimos de uva, en las imágenes capturadas. Pondremos a prueba la red YOLOv3 (por sus siglas en inglés You Only Look Once, que significa “sólo miras una vez”) con diferentes conjuntos de fotografías, aplicaremos técnicas de aumento de datos, usaremos diferentes valores de hiperparámetros y arquitecturas de hardware, y reportaremos medidas de rendimiento como mAP, exhaustividad y precisión. Veremos por ejemplo que el aplicar distintas técnicas de aumento de datos lleva a un incremento de la exhaustividad de entre el 1 y el 13%, mientras que el incremento al usar diferentes hiperparámetros puede ser de entre un 5 y un 8%. Además veremos que logramos detectar correctamente un 96,1% de racimos con una precisión del 72,16% para el entrenamiento con mayor número de fotografías.
Ficha del seminario
Estudiante: Tatiana Sofía Parlanti
Carrera: Licenciatura en Ciencias Básicas orientación en Matemática
Trabajo Especial de Seminario: Estudio de técnicas de Aprendizaje Automático en el análisis de imágenes para pronóstico de cosecha
Director: Dr. Emmanuel Millán
Co-director: Dr. Alejandro Lobos
Comisión Evaluadora: Dr. Emmanuel Millán, Dr. Martín Marchetta Fernandez, Dr. Sebastián Simondi
Fecha: Martes 27 de abril a las 09.00 hs
Medio: Defensa Virtual utilizando la aplicación Zoom
