Especializaciones de la Facultad de Ingeniería · 2024
Redes neuronales convolucionales para la detección de Salmonella spp. en aves de granja
RESUMEN : La detección temprana de Salmonella spp. en aves de granja es crucial para mejorar la productividad de las compañías avícolas del país, pues no sólo se trata de reducir la mortalidad de sus aves y mantener la rentabilidad y reputación de las empresas, sino de garantizar la producción alimentos inocuos para la población. Sin embargo, la capacidad de respuesta y el costo de los métodos tradicionales limita el desempeño microbiológico de estas compañías. En esta monografía se compararon diferentes arquitecturas de Redes Neuronales Convolucionales (CNN) para la detección de salmonella spp. en imágenes de heces de aves de granja. Se utilizó un conjunto de 5029 imágenes tomadas en África entre 2020 y 2021, y se clasificaron entre "Healthy" y "Salmonella". Tras la limpieza y preprocesamiento de datos, se encontró que la implementación del regularizador L2 y una capa de Dropout (0.5) en combinación con el optimizador Adam (lr = 0.0001), son los parámetros de partida óptimos para la técnica de transferencia de aprendizaje en los modelos pre entrenados VGG16 y ResNet50v2. Los resultados mostraron que ambos modelos superaron al modelo base en términos de precisión y sensibilidad, con VGG16 obteniendo una precisión de 98.42 % y ResNet50v2 de 93.67 %. En conclusión, se demostró la efectividad de las técnicas de visión por computadora y el aprendizaje profundo en la detección de Salmonella spp., lo cual proporciona una base sólida para futuras investigaciones con imágenes tomadas en Colombia.
Full text 58 pages with text
Read the full thesis Record in the repository
Contents
- Resumenp. 9
- Abstractp. 10
- Descripción del problemap. 11
- Problema de negociop. 11
- Aproximación desde la analítica de datosp. 14
- Origen de los datosp. 16
- Métricas de desempeñop. 16
- Objetivosp. 18
- Objetivo generalp. 18
- Objetivos específicosp. 18
- Datosp. 19
- Datos originalesp. 19
- Datsetsp. 21
- Analítica descriptivap. 23
- Proceso de analíticap. 26
- Pipeline principalp. 26
- Preprocesamientop. 27
- Modelosp. 28
- 4.3.1. VGG16:p. 29
- 4.3.2. ResNet50v2:p. 30
- Métricasp. 31
- Metodologíap. 33
- 5.1. Baselinep. 33
- 5.2. Validaciónp. 35
- 5.3. Iteraciones y evoluciónp. 38
- 5.4. Herramientasp. 39
- 6. Resultados y discusiónp. 41
- 6.1. Métricasp. 31
- 6.1.1. Baselinep. 33
- 6.1.2. Transferencia de aprendizajep. 43
- 6.2. Evaluación cualitativap. 48
- 6.3. Consideraciones de producciónp. 50
- 6.4. Trabajos futurosp. 51
- Referenciasp. 52
- Anexosp. 56
- Anexo 1. Curvas ROC/AUC para las 14 iteraciones del modelo basep. 56
- Anexo 2. Activaciones de la última capa convolucional de cada modelop. 57
- Anexo 3. Curvas ROC/AUC para cada modelop. 58
- Tabla 1 Comparación de la arquitectura y aspectos varios de los modelos implementadosp. 38
- Se muestra la época respectiva entre paréntesisp. 46
- Tabla 4 Resumen de resultados evaluados en el conjunto de pruebap. 48
- (kilogramos por habitante). Abajo: huevo (unidades por habitante)p. 12
- Figura 2 Frecuencia de las instancias para la variable de salidap. 20
- salmo.41, salmo.27. Abajo, de izquierda a derecha: healthy.67, healthy.761, healthy.2049p. 21
- en conjuntos de entrenamiento, validación y pruebap. 22
- Figura 5Vista previa de 10 registros del DataFrame “images_metadata”p. 23
- Figura 6 Frecuencia de las instancias para la variable de salida luego de limpiar los datosp. 24
- Figura 7 Distribución de pixeles por clasep. 25
- CNNp. 8
- volteo. Derecha: incluido el preprocesamiento propio de VGG16p. 28
- Figura 10 Arquitectura y resumen de la red VGG16 implementadap. 30
- Figura 11 Arquitectura y resumen de la red ResNet50v2 implementadap. 31
- Figura 12 Arquitectura y resumen de la arquitectura del modelo basep. 34
- Figura 13 Esquema de entrenamiento y ajuste fino implementado para VGG16p. 37
- Figura 14 Características del hardware y software utilizado en Google Collabp. 40
- Figura 15 Historial de entrenamiento del modelo de transferencia de aprendizaje VGG16p. 44
- Figura 17 Matrices de confusión para CGG16 y ResNet50v2 antes y después del ajuste finop. 47
- la etiqueta real (predicción: probabilidad). Arriba: VGG16, Abajo: ResNet50v2p. 49