Evaluación de bandas espectrales en la clasificación de tipos de defectos de la manzana mediante aprendizaje profundo.
Este estudio aborda la clasificación temprana de defectos en manzanas, un aspecto clave para reducir pérdidas económicas y mejorar la calidad en la cadena de suministro. Se propone un enfoque basado en imágenes multiespectrales que combinan cuatro bandas espectrales: roja (RE), azul (BL), verde (GR)...
Saved in:
| Main Author: | |
|---|---|
| Other Authors: | , |
| Format: | bachelorThesis |
| Published: |
2025
|
| Subjects: | |
| Online Access: | http://www.dspace.espol.edu.ec/handle/123456789/67333 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
Add Tag | _version_ | 1858337360950853632 |
|---|---|
| author | Auria Pérez, Eliana Lilibeth |
| author2 | Yaguana Mendoza, George Sebastián Vintimilla Burgos, Boris Xavier, Director |
| author2_role | author author |
| author_facet | Auria Pérez, Eliana Lilibeth Yaguana Mendoza, George Sebastián Vintimilla Burgos, Boris Xavier, Director |
| author_role | author |
| collection | Repositorio Escuela Superior Politécnica del Litoral |
| dc.creator.none.fl_str_mv | Auria Pérez, Eliana Lilibeth Yaguana Mendoza, George Sebastián Vintimilla Burgos, Boris Xavier, Director |
| dc.date.none.fl_str_mv | 2025 2026-01-19T16:40:13Z 2026-01-19T16:40:13Z |
| dc.identifier.none.fl_str_mv | Auria Pérez E.L; Yaguana Mendoza G.S. (2025). Evaluación de bandas espectrales en la clasificación de tipos de defectos de la manzana mediante aprendizaje profundo [Proyecto Integrador] Escuela Superior Politécnica del Litoral http://www.dspace.espol.edu.ec/handle/123456789/67333 T-115476 TECH-412 |
| dc.publisher.none.fl_str_mv | ESPOL.FIEC |
| dc.rights.none.fl_str_mv | info:eu-repo/semantics/openAccess |
| dc.source.none.fl_str_mv | reponame:Repositorio Escuela Superior Politécnica del Litoral instname:Escuela Superior Politécnica del Litoral instacron:ESPOL |
| dc.subject.none.fl_str_mv | Defectos en manzanas Imágenes multiespectrales Redes neuronales convolucionales Módulos de atención Transfer learning Bandas espectrales |
| dc.title.none.fl_str_mv | Evaluación de bandas espectrales en la clasificación de tipos de defectos de la manzana mediante aprendizaje profundo. |
| dc.type.none.fl_str_mv | info:eu-repo/semantics/publishedVersion info:eu-repo/semantics/bachelorThesis |
| description | Este estudio aborda la clasificación temprana de defectos en manzanas, un aspecto clave para reducir pérdidas económicas y mejorar la calidad en la cadena de suministro. Se propone un enfoque basado en imágenes multiespectrales que combinan cuatro bandas espectrales: roja (RE), azul (BL), verde (GR) e infrarroja (IR), superando las limitaciones de investigaciones previas centradas únicamente en el espectro visible. La metodología emplea redes neuronales convolucionales (DenseNet121, MobileNetV1 y MobileNetV2) con fine-tuning, data augmentation y mecanismo de atención por canal (SE), que permiten resaltar automáticamente las características espectrales más relevantes. Además, se realizó un análisis de ablación de bandas para evaluar la contribución de cada una en la detección de los tres tipos de defectos (podredumbre, magulladuras y manchas por estrés climático), así como en las clases anatómicas del fruto (tallo y cáliz) y en manzanas sanas. Los resultados mostraron que MobileNetV2 + SE alcanzó el mejor desempeño, con un accuracy del 95% y valores superiores al 91% en precisión, recall y F1-score. MobileNetV1 + SE obtuvo 94%, y DenseNet121 + SE 89%, mejorando significativamente respecto a la versión sin atención (84 %). La ablación indicó que la banda verde (GR) fue la más informativa, proporcionando mayor contraste entre zonas sanas y afectadas. Además, se ha puesto en marcha una plataforma interactiva que permite cargar imágenes multiespectrales de manzanas y recibir automáticamente un informe con la clasificación del defecto y la banda espectral más relevante. |
| eu_rights_str_mv | openAccess |
| format | bachelorThesis |
| id | ESPOL_2f76fee745471c6a3e34129f8e4a74cf |
| identifier_str_mv | Auria Pérez E.L; Yaguana Mendoza G.S. (2025). Evaluación de bandas espectrales en la clasificación de tipos de defectos de la manzana mediante aprendizaje profundo [Proyecto Integrador] Escuela Superior Politécnica del Litoral T-115476 TECH-412 |
| instacron_str | ESPOL |
| institution | ESPOL |
| instname_str | Escuela Superior Politécnica del Litoral |
| network_acronym_str | ESPOL |
| network_name_str | Repositorio Escuela Superior Politécnica del Litoral |
| oai_identifier_str | oai:www.dspace.espol.edu.ec:123456789/67333 |
| publishDate | 2025 |
| publisher.none.fl_str_mv | ESPOL.FIEC |
| reponame_str | Repositorio Escuela Superior Politécnica del Litoral |
| repository.mail.fl_str_mv | . |
| repository.name.fl_str_mv | Repositorio Escuela Superior Politécnica del Litoral - Escuela Superior Politécnica del Litoral |
| repository_id_str | 1479 |
| spelling | Evaluación de bandas espectrales en la clasificación de tipos de defectos de la manzana mediante aprendizaje profundo.Auria Pérez, Eliana LilibethYaguana Mendoza, George SebastiánVintimilla Burgos, Boris Xavier, DirectorDefectos en manzanasImágenes multiespectralesRedes neuronales convolucionalesMódulos de atenciónTransfer learningBandas espectralesEste estudio aborda la clasificación temprana de defectos en manzanas, un aspecto clave para reducir pérdidas económicas y mejorar la calidad en la cadena de suministro. Se propone un enfoque basado en imágenes multiespectrales que combinan cuatro bandas espectrales: roja (RE), azul (BL), verde (GR) e infrarroja (IR), superando las limitaciones de investigaciones previas centradas únicamente en el espectro visible. La metodología emplea redes neuronales convolucionales (DenseNet121, MobileNetV1 y MobileNetV2) con fine-tuning, data augmentation y mecanismo de atención por canal (SE), que permiten resaltar automáticamente las características espectrales más relevantes. Además, se realizó un análisis de ablación de bandas para evaluar la contribución de cada una en la detección de los tres tipos de defectos (podredumbre, magulladuras y manchas por estrés climático), así como en las clases anatómicas del fruto (tallo y cáliz) y en manzanas sanas. Los resultados mostraron que MobileNetV2 + SE alcanzó el mejor desempeño, con un accuracy del 95% y valores superiores al 91% en precisión, recall y F1-score. MobileNetV1 + SE obtuvo 94%, y DenseNet121 + SE 89%, mejorando significativamente respecto a la versión sin atención (84 %). La ablación indicó que la banda verde (GR) fue la más informativa, proporcionando mayor contraste entre zonas sanas y afectadas. Además, se ha puesto en marcha una plataforma interactiva que permite cargar imágenes multiespectrales de manzanas y recibir automáticamente un informe con la clasificación del defecto y la banda espectral más relevante.This study addresses the early classification of defects in apples, a key factor in reducing economic losses and improving quality throughout the supply chain. It proposes an approach based on multispectral images combining four spectral bands: red (RE), blue (BL), green (GR), and infrared (IR), overcoming the limitations of previous studies focused solely on the visible spectrum. The methodology employs convolutional neural networks (DenseNet121, MobileNetV1, and MobileNetV2) with fine-tuning, data augmentation, and channel-wise attention (SE) to automatically highlight the most relevant spectral features. Additionally, a band ablation analysis was conducted to evaluate the contribution of each band to the detection of three types of defects (rot, bruises, and climate-stress spots) as well as to the anatomical classes of the fruit (stem and calyx) and healthy apples. Results showed that MobileNetV2 + SE achieved the best overall performance, with an accuracy of 95% and precision, recall, and F1-score values above 91 %. MobileNetV1 + SE reached 94 %, while DenseNet121 + SE achieved 89 %, significantly improving over the version without attention (84 %). Ablation analysis revealed that the green band (GR) was the most informative, providing greater contrast between healthy and affected areas. Furthermore, an interactive platform was developed, allowing users to upload multispectral apple images and automatically receive a report with the defect classification and the most relevant spectral band. Keywords: Apple defects, Multispectral imaging, Convolutional neural networks, Attention modules, Transfer learning, Spectral bands.ESPOL.FIEC2026-01-19T16:40:13Z2026-01-19T16:40:13Z2025info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisAuria Pérez E.L; Yaguana Mendoza G.S. (2025). Evaluación de bandas espectrales en la clasificación de tipos de defectos de la manzana mediante aprendizaje profundo [Proyecto Integrador] Escuela Superior Politécnica del Litoralhttp://www.dspace.espol.edu.ec/handle/123456789/67333T-115476TECH-412info:eu-repo/semantics/openAccessreponame:Repositorio Escuela Superior Politécnica del Litoralinstname:Escuela Superior Politécnica del Litoralinstacron:ESPOL2026-01-19T16:44:33Zoai:www.dspace.espol.edu.ec:123456789/67333Institucionalhttps://www.dspace.espol.edu.ec/Universidad públicahttps://www.espol.edu.ec/.https://www.dspace.espol.edu.ec/oaiEcuador...opendoar:14792026-01-19T16:44:33falseInstitucionalhttps://www.dspace.espol.edu.ec/Universidad públicahttps://www.espol.edu.ec/.https://www.dspace.espol.edu.ec/oai.Ecuador...opendoar:14792026-01-19T16:44:33Repositorio Escuela Superior Politécnica del Litoral - Escuela Superior Politécnica del Litoralfalse |
| spellingShingle | Evaluación de bandas espectrales en la clasificación de tipos de defectos de la manzana mediante aprendizaje profundo. Auria Pérez, Eliana Lilibeth Defectos en manzanas Imágenes multiespectrales Redes neuronales convolucionales Módulos de atención Transfer learning Bandas espectrales |
| status_str | publishedVersion |
| title | Evaluación de bandas espectrales en la clasificación de tipos de defectos de la manzana mediante aprendizaje profundo. |
| title_full | Evaluación de bandas espectrales en la clasificación de tipos de defectos de la manzana mediante aprendizaje profundo. |
| title_fullStr | Evaluación de bandas espectrales en la clasificación de tipos de defectos de la manzana mediante aprendizaje profundo. |
| title_full_unstemmed | Evaluación de bandas espectrales en la clasificación de tipos de defectos de la manzana mediante aprendizaje profundo. |
| title_short | Evaluación de bandas espectrales en la clasificación de tipos de defectos de la manzana mediante aprendizaje profundo. |
| title_sort | Evaluación de bandas espectrales en la clasificación de tipos de defectos de la manzana mediante aprendizaje profundo. |
| topic | Defectos en manzanas Imágenes multiespectrales Redes neuronales convolucionales Módulos de atención Transfer learning Bandas espectrales |
| url | http://www.dspace.espol.edu.ec/handle/123456789/67333 |