Metodologías modernas de aprendizaje profundo para la detección de fruta

Abstract

Esta tesis presenta una revisión del estado del arte en detección de frutas, considerando los distintos tipos de algoritmos, metodologías y tipos de frutos estudiadas. También se realiza un análisis del estado del arte en detección general de objetos, enfocado en los algoritmos de aprendizaje profundo y las metodologías de entrenamiento usadas en estos. A partir de estos análisis se observan ciertas diferencias entre las dos áreas, principalmente en la ausencia de ciertos algoritmos y arquitecturas que no han sido usadas en detección de fruta, a pesar de su prevalencia en detección de objetos. Para validar distintos algoritmos y arquitecturas se realiza una comparación exhaustiva de metodologías modernas en detección de objetos y metodologías tradicionales en detección de fruta. Los algoritmos fueron evaluados en dos bases de datos de frutas. La primera es MinneApple, una base de datos pública de manzanas. En segundo lugar, se construyó una base de datos de cerezas, llamada Cherry CO, para tareas de detección y segmentación de objetos. Se observó que redes modernas como Swin, YOLOR y Scaled-YOLOv4 ofrecen mejoras significativas, así como los métodos de aumento de datos Copy-Paste y Mosaic ofrecen mejoras consistentes, principalmente en términos de precisión y recall.