Resumen:
The present project focuses on the development of an image processing algorithm based on Convolutional Neural Networks (CNN) for the classification of coffee beans, aiming to distinguish between beans in good condition and those with defects based on irregularities in shape and color. The chosen CNN model is MobileNet, which is optimized for convolutional operations to create deep neural networks with fewer parameters, resulting in low computational requirements and low latency. The manual visual inspection currently performed by many coffee producer associations for proper selection of exported coffee motivated the objective of this project. As coffee is highly valued both in Ecuadorian society and globally, ensuring high international prices for the exported product requires careful selection. To evaluate the performance of the coffee bean classification algorithm, a comparative analysis was conducted using the MobileNetV1 and MobileNetV2 architectures, comparing loss statistics. The results of the architecture comparison demonstrated a precision of 99.18% and validation accuracy of 99.20% for the MobileNetV2 model, while the MobileNetV1 model achieved a precision of 88.72% and validation accuracy of 81.25%. Consequently, the performance of the MobileNetV2-based model was considered the optimal choice for coffee bean classification.
Descripción:
En la actualidad las nuevas tendencias e innovaciones tecnológicas como la aplicación de aprendizaje automático son de gran importancia para las empresas e industrias para impulsar una eficiencia en la toma de decisiones. En ese sentido la Empresa Pública de Agua, Alcantarillado y Aseo. EPAAA. del cantón Pasaje, busca apoyar sus decisiones basándose en el análisis de cartera para la gestión de recaudaciones de la empresa, ante esta problemática se desarrolló un Sistema de Soporte de Decisiones (DSS) aplicando inteligencia de negocios, minería de datos y aprendizaje automático, utilizando la metodología CRISP-DM la cual consta de 6 fases: comprensión del negocio, comprensión de los datos, preparación de los datos, modelado, evaluación y despliegue. Con la implementación del DSS es posible determinar qué está sucediendo en cuanto a la cartera y la gestión de recaudaciones; además, se puede realizar la caracterización de los clientes, clasificar los clientes por sector y ciclo, clasificación de clientes pagadores, clasificación de clientes deudores y apoyó para la gestión de cartera. El DSS está compuesto de una interfaz dashboard que consta de gráficos estadísticos, clasificaciones y predicciones de los abonados. Los resultados obtenidos con la implementación del DSS en la EPAAA permitió un 94.44% de eficiencia en la toma de decisiones, resultado que se obtuvo mediante una encuesta a los colaboradores que toman decisiones en la EPAAA. En conclusión, este trabajo nos permite mejorar los tiempos de respuesta de los colaboradores generando una eficiente gestión de recaudaciones, el DSS logró repotenciar los conocimientos sobre la cartera permitiendo caracterizar a los clientes, un logro importante es que se pudo clasificar a los clientes en función a la deuda donde producto de esto, se pudo tomar mejores decisiones.
Excepto si se señala otra cosa, la licencia del ítem se describe como openAccess