Pipeline de visión por computadora y aprendizaje automático para la estimación de rendimiento en viñedos utilizando datos RGB-D

Nieves, Tomás; Pereda, Belén; Tarigo, Tomás

dc.rights.license	Attribution-NonCommercial-NoDerivatives 4.0 Internacional	*
dc.contributor.advisor	Cabrera, Álvaro
dc.contributor.advisor	Rondán, Nicolás
dc.contributor.author	Nieves, Tomás
dc.contributor.author	Pereda, Belén
dc.contributor.author	Tarigo, Tomás
dc.date.accessioned	2026-08-31T22:29:32Z
dc.date.available	2026-08-31T22:29:32Z
dc.identifier.uri	https://hdl.handle.net/20.500.12806/3467
dc.description.abstract	El presente proyecto, desarrollado en conjunto con la Facultad de Agronomía, propone una pipeline de visión por computadora y aprendizaje automático para la estimación de productividad en viñedos uruguayos utilizando cámaras RGB-D Intel RealSense. A partir del procesamiento de secuencias de video y datos de profundidad, se exploran distintas estrategias para extraer métricas asociadas a los racimos de uva y correlacionarlas con datos reales de producción, evaluando el potencial de este tipo de tecnologías para la estimación temprana de rendimiento en viñedos. El trabajo implementa un flujo de procesamiento que integra la segmentación de racimos mediante un modelo de segmentación de propósito general, el seguimiento temporal de objetos a lo largo de las secuencias de video, y la fusión de información de color y profundidad para la estimación de métricas geométricas como área proyectada y volumen. Se formula una metodología estructurada que abarca desde el preprocesamiento de los datos capturados en campo y la calibración geométrica de la cámara, hasta la generación de variables agregadas por sector y por fila del viñedo. Se comparan distintas estrategias de estimación volumétrica —basadas en profundidad, en envolvente convexa (convex hull) y en voxelización— y se evalúan modelos de regresión supervisada para predecir el peso real de la cosecha a partir de las métricas extraídas. Asimismo, se analiza el impacto de diferentes métodos de limpieza de datos y tratamiento de valores atípicos sobre la calidad de las correlaciones y el desempeño de los modelos. Todas las propuestas han sido validadas utilizando datos reales provistos por la Facultad de Agronomía, correspondientes a sectores de un viñedo comercial. El modelo final, basado en estimación volumétrica por profundidad y regularizado para controlar el sobreajuste, alcanza un error porcentual medio inferior al de los métodos manuales tradicionales. Adicionalmente, una prueba de concepto en condiciones de luz diurna confirma la viabilidad del sistema para operar sin necesidad de iluminación artificial.	es
dc.format.extent	73 p	es
dc.format.mimetype	text/plain	es
dc.language	spa	es
dc.rights	Abierto	es
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/	*
dc.subject	Visión por computadora	es
dc.subject	Machine Learning	es
dc.subject	Estimación de rendimiento	es
dc.subject	Viticultura de precisión	es
dc.subject	Cámaras RGB-D	es
dc.subject	Segmentación de racimos	es
dc.title	Pipeline de visión por computadora y aprendizaje automático para la estimación de rendimiento en viñedos utilizando datos RGB-D	es
dc.type	Trabajo final de grado	es
thesis.degree.grantor	Universidad de Montevideo. Facultad de Ingeniería	es
thesis.degree.level	Licenciatura	es
thesis.degree.name	Ingeniero en informática	es
dc.type.version	Aceptada	es